[论文解读] Home Location Identification of Twitter Users

Jalal Mahmud, Jeffrey Nichols+1 more|arXiv (Cornell University)|Mar 7, 2014

Human Mobility and Location-Based Analysis参考文献 23被引用 6

一句话总结

本文提出一种分层的、基于集成的算法，结合统计分类器与启发式分类器及地理地名词典，以在多个粒度级别（城市、州、时区、区域）推断Twitter用户的家乡位置。通过利用推文内容、发推行为以及旅行检测分类器，该方法在现有方法基础上提升了准确性，尤其通过自上而下的分类策略，先预测更广泛的区域，再逐步缩小至城市级别。

ABSTRACT

We present a new algorithm for inferring the home location of Twitter users at different granularities, including city, state, time zone or geographic region, using the content of users tweets and their tweeting behavior. Unlike existing approaches, our algorithm uses an ensemble of statistical and heuristic classifiers to predict locations and makes use of a geographic gazetteer dictionary to identify place-name entities. We find that a hierarchical classification approach, where time zone, state or geographic region is predicted first and city is predicted next, can improve prediction accuracy. We have also analyzed movement variations of Twitter users, built a classifier to predict whether a user was travelling in a certain period of time and use that to further improve the location detection accuracy. Experimental evidence suggests that our algorithm works well in practice and outperforms the best existing algorithms for predicting the home location of Twitter users.

研究动机与目标

• 解决利用有限的文本和行为数据准确识别Twitter用户家乡位置的挑战。
• 通过整合多种分类器和地理知识，改进现有位置推断方法。
• 探讨用户移动模式对位置预测准确性的影响。
• 开发一种可扩展的分层分类框架，以在不同粒度级别上预测位置。
• 评估旅行检测在优化家乡位置推断中的有效性。

提出的方法

• 该方法采用统计分类器与启发式分类器的集成，分析推文内容和用户行为以进行位置推断。
• 使用地理地名词典从推文中提取并验证地名实体。
• 应用分层分类方法，首先预测较广区域（如时区或州），再逐步细化至城市级别。
• 训练一个独立的分类器，基于推文频率和空间分布，判断用户在特定时间段是否处于旅行状态。
• 利用旅行检测的结果对预测结果进行过滤或重新加权，从而提升非旅行用户的位置预测准确性。
• 系统在真实Twitter数据上进行训练与评估，性能通过标准位置预测指标进行衡量。

实验结果

研究问题

• RQ1 与平面分类相比，分层分类方法是否能显著提升Twitter用户家乡位置推断的准确性？
• RQ2 整合用户移动模式——特别是旅行检测——在多大程度上能提升位置预测的精确度？
• RQ3 将统计分类器与启发式分类器结合，其性能在家乡位置识别中是否显著优于单一方法？
• RQ4 地理地名词典在从非正式社交媒体文本中提取和验证地名实体方面有多高效？
• RQ5 先预测更广泛的地理区域再推断城市，是否能带来多粒度位置检测的整体性能提升？

主要发现

• 分层分类方法通过减少粗粒度到细粒度层级之间的误差传播，显著提升了预测准确性。
• 集成旅行检测分类器显著提升了预测精度，尤其对数据采集期间未处于移动状态的用户效果更明显。
• 统计与启发式分类器的集成方法在评估中优于现有最佳算法。
• 使用地理地名词典即使在嘈杂、非正式的推文文本中，也能实现稳健的地名实体提取。
• 该方法在多个粒度级别上均实现了高精度，包括城市、州、时区和地理区域。
• 实验结果表明，所提出的算法在大规模Twitter用户位置推断任务中既有效又可扩展。