通过密度聚类和线索聚集技术发现地理相关的故事

Dec, 2023

通过密度聚类和线索聚集技术发现地理相关的故事

Discovering Geo-dependent Stories by Combining Density-based Clustering and Thread-based Aggregation techniques

Héctor Cerezo-Costas, Ana Fernández Vilas, Manuela Martín-Vicente, Rebeca P. Díaz-Redondo

TL;DR通过对社交媒体中的地理标记帖子进行全球性分析，本文介绍了一种检测城市中意外行为和通过帖子分析情况的方法。该方法使用了基于密度的聚类技术和自然语言处理技术，利用简单的硬件资源在不到一小时的时间内分析了纽约市长达七个月的 Instagram 数据，并且可以轻松适应其他地理标记数据源。

Abstract

Citizens are actively interacting with their surroundings, especially through social media. Not only do shared posts give important information about what is happening (from the users' perspective), but also the metadata linked to these posts offer relevant data, such as the GPS-locati

social media geo-tagged posts behavior detection natural language processing data analysis

发现论文，激发创造

基于混合分析的 LBSN 数据早期检测群体动态异常

该研究介绍了一种基于熵分析和聚类技术的混合解决方案，用于早期检测基于位置的社交网络中的城市活动的意外变化，并通过在纽约城收集的 Instagram 数据进行实验证明其有效性。

Dec, 2023

利用文本和网络上下文定位社交媒体用户

提出了一种基于自适应网格的基于文本的方法和基于混合网络 - 文本方法相结合的方法，这两种方法在三个 Twitter 数据集上都取得了最先进的结果，特别是在用户图不充分连接的情况下，混合方法表现更好。

Jun, 2015

超越注意范式：从地理空间社交媒体数据中的隐性学习

分析社交媒体数据中的位置和口语与 Twitter 数据之间的关系，采用每个城市特定的词袋模型并评估它们的表现。揭示了地理位置对在线交流的重大影响，证明了即使在嘈杂的数据中，也可以发现隐藏的见解。这项研究将复杂的模型与抽象理解结合起来，为将结构化模型与推测性推理相融合的系统开辟了道路。

Oct, 2023

地理标记 Twitter 数据中的混淆和后果

通过比较使用 GPS 坐标和用户自报位置不同的语言分析方法，研究表明不同年龄和性别的人对特定主题的写作风格有所不同，并给出了男性 40 岁以上的文本地理定位最准确的结果。同时，年龄和性别是影响语言使用的重要变量。

Jun, 2015

Twitter 上位置推理技术调研

本文回顾了 Twitter 用户位置推断技术的发展历程，探讨了地理位置信息获取和算法优化对准确性提升的积极影响，并强调了其在社交媒体、灾害监测、市场趋势研究等领域的广泛应用。

Jan, 2017

使用定量信心推断推文的来源地

本研究提出了一种基于高斯混合模型的可扩展内容分析的方法，用于估算推文的地理位置，并提出了精度、准确度和校准等度量标准，并实现了对全球 1300 万条 Tweet 的实验，得出了可靠的、与以前的计算密集型方法相媲美的结果。

May, 2013

探索手机用户的流动性

本文基于一份葡萄牙通讯数据集的 100,000 名匿名用户数据，探索了移动设备数据集中用户的社交网络、时间动态和移动通讯行为之间的联系，并通过聚类和主成分分析发现地理位置是影响人类行为的最重要因素之一。研究结果表明，通过聚类方法可以鲁棒地识别用户的家庭和办公室，并且其通勤距离可以通过引力模型进行合理地解释。

Nov, 2012

一个基于 Transformer 的 POI 级社交帖地理定位框架

提出了基于 Transformer 的社交媒体 POI 级地理位置推测通用框架，考虑非文本数据，优化特征表示及位置捕捉，实验结果证明该框架在多项指标上均优于多种先进基线。

Oct, 2022

Twitter 上地理标记行为的大规模经验研究

本文基于 Twitter 平台 4 万多亿条 tweet，对 geotagging 行为进行了实证研究。结果显示，用户群体之间的 geotagging 偏好各不相同；在用户资料中报告位置信息的用户更容易使用 geotags；用户在 geotagging 行为上存在明显的同质性倾向。

Aug, 2019

利用总变差最小化对一亿个 Twitter 账户进行地理标记

本研究提供了一种能够在公开可见的 Twitter 数据的基础上，准确地确定 Twitter 用户位置的方法。通过优化社交网络中的用户位置并检视他们好友的位置，本文提供了一种高可扩展性和可分布式的算法，并展示了如何利用用户的 ego 网络的地理离散度来作为准确性度量的参数。本文的实验结果表明，在 101,846,236 位 Twitter 用户的位置中，其中 80% 以上的公开推文地理标记的中位误差为 6.38 公里。

Apr, 2014