[論文レビュー] Accurate Local Estimation of Geo-Coordinates for Social Media Posts

Derek Doran, Swapna S. Gokhale+1 more|arXiv (Cornell University)|Oct 17, 2014

Human Mobility and Location-Based Analysis参考文献 20被引用数 3

ひとこと要約

本論文は、既知の広域領域内におけるソーシャルメディア投稿の地理座標を正確に推定するコンテンツベースの手法を提案する。非重複する部分領域で訓練されたアンサンブル言語モデルと地理的スムージングを用い、位置推定を精緻化する。ニューヨーク市の82,863件のツイートを評価対象とし、平均推定誤差はわずか2.15 kmにとどまり、従来手法が広域領域内での位置特定にとどまっているのに対し、顕著な向上を示した。

ABSTRACT

Associating geo-coordinates with the content of social media posts can enhance many existing applications and services and enable a host of new ones. Unfortunately, a majority of social media posts are not tagged with geo-coordinates. Even when location data is available, it may be inaccurate, very broad or sometimes fictitious. Contemporary location estimation approaches based on analyzing the content of these posts can identify only broad areas such as a city, which limits their usefulness. To address these shortcomings, this paper proposes a methodology to narrowly estimate the geo-coordinates of social media posts with high accuracy. The methodology relies solely on the content of these posts and prior knowledge of the wide geographical region from where the posts originate. An ensemble of language models, which are smoothed over non-overlapping sub-regions of a wider region, lie at the heart of the methodology. Experimental evaluation using a corpus of over half a million tweets from New York City shows that the approach, on an average, estimates locations of tweets to within just 2.15km of their actual positions.

研究の動機と目的

• 災害対応、広告、社会学的研究の応用を制限する、ソーシャルメディア投稿における正確な地理タグの欠如に対処すること。
• 都市レベルや広域領域（例：80–100 kmの半径）でのみ位置を推定する従来手法の改善。
• テキストコンテンツと広域発信地域の事前知識のみを用いて、細粒度のローカル地理タグを付与すること。
• 部分領域言語モデルを用いた地理的スムージング技術が、位置推定の正確性を向上させるかを評価すること。
• 広域領域が既に分かっている状況下で、GPSや明示的な場所タグがなくても、高精度な地理的位置特定が可能であることを示すこと。

提案手法

• 既知の広域領域を非重複する部分領域にg×gグリッドに分割し、ソーシャルメディアコンテンツにおける局所的な言語的変動を捉える。
• 各部分領域ごとに、その領域から発信されたツイートで訓練された、補間されたバイグラム言語モデルのアンサンブルを構築する。
• 地理的スムージングは、隣接する部分領域からの言語モデル確率を、空間的距離に応じて重み付けして組み合わせることで実施され、パラメータdを用いた多項式減衰関数で重みw(d)を定義する。
• ツイートの最終的な位置推定は、滑らかにした確率が最大となる部分領域であり、Pℓi(T) = α × Pℓi(T) + (1−α) × Σ Pℓj(T) × w(d) で計算される。ここでw(d)は距離dとともに減衰し、α=0.9である。
• 広域領域（例：マンハッタン）の事前知識により検索空間が制限されるため、コンテンツのみで高精度な推定が可能になる。
• 本手法は、ニューヨーク市の50万件を超えるツイートのコーパスを用い、推定誤差を測定するために82,863件のテストデータセットを用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 都市の局所的部分領域で訓練された言語モデルは、ソーシャルメディア投稿の地理座標推定精度を向上させることができるか？
• RQ2 隣接部分領域の言語モデルを統合する地理的スムージングは、推定誤差をどの程度低減するか？
• RQ3 スムージング径dが推定誤差の分布および大きさに与える影響は何か？
• RQ4 本手法は、実世界の都市環境において5 km未満の精度を達成できるか？
• RQ5 ある閾値を超えてスムージング半径を拡大しても、精度向上のリターンは減少するか？

主な発見

• 提案手法は、ニューヨーク市の82,863件のテストツイートにおいて平均推定誤差2.15 kmを達成し、全体の領域サイズのわずか4%にとどまる。
• 平均推定誤差はスムージング径dの増加に伴い減少し、d=1の3.38 kmからd≥5の2.15 kmまで低下し、d≥5で収束が確認された。
• d≥3では、誤差密度が1.75 km付近に急激にピークを示し、真の位置の周辺に正確な推定が集中していることが示された。
• d=3の場合、真の位置から4 km以内に推定される確率は80%、2 km以内は50%以上、1 km以内は20%の確率で推定された。
• 誤差分布はdの増加に伴い、指数的かつ単調に近づき、dが大きいほど一貫して精度が向上し、特殊な劣化は観察されなかった。
• d>2ではリターンが減少する傾向を示しており、2つの部分領域より遠い隣接領域をスムージングしても、追加の利益は最小限であることが示された。