...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Neurocomputing >Exploring multiple evidence to infer users' location in Twitter
【24h】

Exploring multiple evidence to infer users' location in Twitter

机译：探索多种证据推断用户在Twitter中的位置

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Online social networks are valuable sources of information to monitor real-time events, such as earthquakes and epidemics. For this type of surveillance, users' location is an essential piece of information, but a substantial number of users choose not to disclose their geographical location. However, characteristics of the users' behavior, such as the friends they associate with and the types of messages published may hint on their spatial location. In this paper, we propose a method to infer the spatial location of Twitter users. Unlike the approaches proposed so far, it incorporates two sources of information to learn geographical position: the text posted by users and their friendship network. We propose a probabilistic approach that jointly models the geographical labels and Twitter texts of users organized in the form of a graph representing the friendship network. We use the Markov random field probability model to represent the network, and learning is carried out through a Markov Chain Monte Carlo simulation technique to approximate the posterior probability distribution of the missing geographical labels. We show the accuracy of the algorithm in a large dataset of Twitter users, where the ground truth is the location given by GPS. The method presents promising results, with little sensitivity to parameters and high values of precision. (C) 2015 Elsevier B.V. All rights reserved.
机译：在线社交网络是用于监视实时事件（例如地震和流行病）的有价值的信息源。对于此类监视，用户的位置是必不可少的信息，但是大量用户选择不公开其地理位置。但是，用户行为的特征（例如与之关联的朋友和发布的消息类型）可能会暗示其空间位置。在本文中，我们提出了一种推论Twitter用户空间位置的方法。与迄今为止提出的方法不同，它结合了两种信息来学习地理位置：用户发布的文本及其友情网络。我们提出一种概率方法，以建模代表友谊网络的图表形式组织的用户的地理标签和Twitter文本。我们使用马尔可夫随机场概率模型来表示网络，并通过马尔可夫链蒙特卡罗模拟技术进行学习，以近似估计缺失地理标签的后验概率分布。我们在Twitter用户的大型数据集中显示了该算法的准确性，其中地面真实情况是GPS给出的位置。该方法显示出令人鼓舞的结果，对参数的敏感性很小，精度值很高。 （C）2015 Elsevier B.V.保留所有权利。

著录项

  • 来源
    《Neurocomputing》 |2016年第1期|30-38|共9页
  • 作者

    Rodrigues Erica; Assuncao Renato; Pappa Gisele L.; Renno Diogo; Meira Wagner Jr.;

  • 作者单位

    Univ Fed Ouro Preto, Dept Estat, Ouro Preto, Brazil|Univ Fed Minas Gerais, Dept Ciencia Comp, BR-6627 Belo Horizonte, MG, Brazil;

    Univ Fed Ouro Preto, Dept Estat, Ouro Preto, Brazil|Univ Fed Minas Gerais, Dept Ciencia Comp, BR-6627 Belo Horizonte, MG, Brazil;

    Univ Fed Ouro Preto, Dept Estat, Ouro Preto, Brazil|Univ Fed Minas Gerais, Dept Ciencia Comp, BR-6627 Belo Horizonte, MG, Brazil;

    Univ Fed Ouro Preto, Dept Estat, Ouro Preto, Brazil|Univ Fed Minas Gerais, Dept Ciencia Comp, BR-6627 Belo Horizonte, MG, Brazil;

    Univ Fed Ouro Preto, Dept Estat, Ouro Preto, Brazil|Univ Fed Minas Gerais, Dept Ciencia Comp, BR-6627 Belo Horizonte, MG, Brazil;

  • 收录信息 美国《科学引文索引》(SCI);美国《工程索引》(EI);
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类
  • 关键词

    Network learning; Location inference; Twitter user location;

    机译：网络学习;位置推断;Twitter用户位置;

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号