[论文解读] 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 3

一句话总结

本文提出了一种基于内容的地理坐标估算方法，可在已知的广阔区域内精确估算社交媒体帖子的地理坐标，通过在非重叠子区域上训练的集成语言模型与地理平滑技术相结合，以优化位置估计。在82,863条纽约市推文上的评估显示，该方法的平均估计误差仅为2.15公里，显著优于以往仅能将位置定位在广阔区域（如80–100公里半径）内的方法。

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.

研究动机与目标

• 为解决社交媒体帖子中缺乏精确地理标记的问题，该问题限制了其在灾害响应、广告投放和社科研究等领域的应用。
• 改进现有仅能估算至城市级别或广阔区域（如80–100公里半径）的方法。
• 仅基于文本内容与对更广起源区域的先验知识，实现社交媒体内容的细粒度本地地理标记。
• 评估地理平滑技术在通过子区域语言建模提升位置估算精度方面的有效性。
• 证明当已知更广区域时，即使无GPS或显式位置标签，高精度地理定位也是可行的。

提出的方法

• 将已知的广阔区域划分为g×g个非重叠的子区域，以捕捉社交媒体内容中的局部语言差异。
• 为每个子区域构建一个插值的二元语言模型集合，基于来自该子区域的推文进行训练。
• 通过结合相邻子区域的语言模型概率并按空间距离加权，应用地理平滑技术，使用参数为d的多项式衰减函数。
• 推文的最终位置估计为平滑概率最高的子区域，计算公式为Pℓi(T) = α × Pℓi(T) + (1−α) × Σ Pℓj(T) × w(d)，其中w(d)随距离d衰减，且α=0.9。
• 该方法利用了对更广区域（如曼哈顿）的先验知识，从而将搜索空间缩小，仅通过内容即可实现高精度估计。
• 该方法使用超过50万条纽约市的推文语料进行评估，测试集包含82,863条推文，用于测量估计误差。

实验结果

研究问题

• RQ1 在城市局部子区域上训练的语言模型是否能提升社交媒体帖子地理坐标的估算精度？
• RQ2 地理平滑——即整合相邻子区域的语言模型——在多大程度上能降低估算误差？
• RQ3 平滑直径d如何影响估算误差的分布与大小？
• RQ4 所提出的方法是否能在真实城市环境中实现5公里以内的精度？
• RQ5 当平滑半径超过某一阈值后，是否会出现精度提升的边际递减现象？

主要发现

• 在82,863条纽约市测试推文中，该方法实现了2.15公里的平均估算误差，仅占总区域大小的4%。
• 随着平滑直径d的增加，平均估算误差下降：d=1时为3.38公里，d≥5时降至2.15公里，且在d≥5时趋于收敛。
• 当d≥3时，误差密度在约1.75公里处急剧达到峰值，表明高精度估计高度集中于真实位置附近。
• 在d=3时，模型有80%的概率将地理坐标估算在真实位置的4公里以内，超过50%的概率在2公里以内，20%的概率在1公里以内。
• 随着d的增加，误差分布逐渐呈现指数且单调的特性，证实更大的d能持续提升精度，且不会出现特殊退化情况。
• 在d>2后，收益开始递减，表明对距离超过两个子区域的邻居进行平滑带来的额外增益极小。