[论文解读] Location Reference Recognition from Texts: A Survey and Comparison

Xuke Hu, Zhiyong Zhou+6 more|Zurich Open Repository and Archive (University of Zurich)|Jul 4, 2022

Geographic Information Systems Studies被引用 6

一句话总结

本文对26个数据集中的27种位置参照识别方法进行了全面的综述与对比评估，将方法分类为基于规则、地名词典匹配、统计学习和混合类型。研究发现，深度学习模型表现优于其他方法，且集成投票系统能显著提升鲁棒性，尤其在推文等非正式文本中表现更优。

ABSTRACT

A vast amount of location information exists in unstructured texts, such as social media posts, news stories, scientific articles, web pages, travel blogs, and historical archives. Geoparsing refers to the process of recognizing location references from texts and identifying their geospatial representations. While geoparsing can benefit many domains, a summary of the specific applications is still missing. Further, there lacks a comprehensive review and comparison of existing approaches for location reference recognition, which is the first and a core step of geoparsing. To fill these research gaps, this review first summarizes seven typical application domains of geoparsing: geographic information retrieval, disaster management, disease surveillance, traffic management, spatial humanities, tourism management, and crime management. We then review existing approaches for location reference recognition by categorizing these approaches into four groups based on their underlying functional principle: rule-based, gazetteer matching-based, statistical learning-based, and hybrid approaches. Next, we thoroughly evaluate the correctness and computational efficiency of the 27 most widely used approaches for location reference recognition based on 26 public datasets with different types of texts (e.g., social media posts and news stories) containing 39,736 location references across the world. Results from this thorough evaluation can help inform future methodological developments for location reference recognition, and can help guide the selection of proper approaches based on application needs.

研究动机与目标

• 总结地理解析的关键应用领域，包括灾害管理、疾病监测、交通管理以及空间人文学科。
• 系统性地回顾并分类现有位置参照识别方法，划分为四类功能组：基于规则、基于地名词典匹配、基于统计学习和混合方法。
• 评估27种广泛使用的地点参照识别方法在包含39,736个全球地点参照的26个公开数据集上的正确性与计算效率。
• 基于应用需求（如文本类型（正式 vs. 非正式）、所需地点粒度及性能约束）提供基于证据的最优方法选择指导。

提出的方法

• 作者根据方法的底层原理，将27种现有位置参照识别方法划分为四类功能组：基于规则、基于地名词典匹配、基于统计学习和混合方法。
• 在涵盖多种文本类型（如社交媒体（如推文）、新闻文章和正式网页文本）的26个公开数据集上评估了每种方法。
• 评估指标包括整体识别准确率、在正式与非正式文本中的表现、对各类地点参照（如城市、兴趣点、道路）的检测能力，以及计算效率。
• 研究采用对比框架，评估不同文本类型和地点粒度下的精确率与召回率，结果用于对不同应用场景下的方法进行排序与推荐。
• 采用投票机制整合多个模型，证明其相比单一方法具有更高的鲁棒性。
• 分析利用了GeoCorpora、NEEL2016等公开数据集，以确保研究结果的可复现性与广泛适用性。

Figure 1. The general workflow of geoparsing and its two steps.

实验结果

研究问题

• RQ1 在不同类型的文本（如正式新闻与非正式社交媒体帖子）中，哪些位置参照识别方法表现最佳？
• RQ2 四类功能方法——基于规则、地名词典匹配、统计学习和混合方法——在准确率与计算效率方面如何比较？
• RQ3 地点参照粒度（如国家、城市、兴趣点、道路）对不同方法的识别性能有何影响？
• RQ4 结合多种方法的集成方法是否能提升识别性能与鲁棒性，相比单一模型？
• RQ5 当前方法在处理非正式文本特征（如缩写、俚语和拼写错误）方面存在哪些关键局限？

主要发现

• 基于深度学习的方法目前在位置参照识别中最为有效，尤其在对非正式文本进行微调后表现更优。
• 通过投票机制融合多种方法能显著提升鲁棒性与整体性能，优于单一模型。
• 性能在不同文本类型间差异显著：方法在正式文本（如新闻）中表现优于非正式文本（如推文），且在检测细粒度地点（如兴趣点、道路）时准确率较低。
• 计算效率差异显著，基于规则和地名词典的方法通常比深度学习模型更快，但存在准确率的权衡。
• 对于需要实时处理非正式文本的灾害与交通管理应用，推荐使用GazPNE2，因其在短文本和非正式内容中表现强劲。
• 对于涉及大量正式文本和粗粒度地点的空间人文学科、疾病监测及地理信息检索应用，推荐使用Stanford NER、CogComp和spaCy，因其兼具高效率与可接受的准确率。

Figure 2. Seven application domains of geoparsing.