[论文解读] Inferring the geographic focus of online documents from social media sharing patterns

Ryan Compton, Matthew S. Keegan+1 more|arXiv (Cornell University)|Jun 10, 2014

Geographic Information Systems Studies参考文献 33被引用 3

一句话总结

本文提出了一种内容无关的方法，通过分析分享链接的推特用户的位置来推断在线文档的地理焦点。利用共享用户位置的稳健统计估计（中位数和平均绝对偏差），该方法在推文和YouTube视频上实现了高精度，平均误差可通过分散阈值进行控制，从而实现可扩展的、低资源的无内容分析地理标注。

ABSTRACT

Determining the geographic focus of digital media is an essential first step for modern geographic information retrieval. However, publicly-visible location annotations are remarkably sparse in online data. In this work, we demonstrate a method which infers the geographic focus of an online document by examining the locations of Twitter users who share links to the document. We apply our geotagging technique to multiple datasets built from different content: manually-annotated news articles, GDELT, YouTube, Flickr, Twitter, and Tumblr.

研究动机与目标

• 解决在线数字媒体中公开地理标注稀缺的问题。
• 开发一种无需自然语言处理或图像分析的内容无关地理标注方法。
• 评估社交媒体分享模式是否能可靠推断在线内容的地理焦点。
• 量化仅基于链接分享用户位置的地理标注准确性和不确定性。
• 在多种内容类型（新闻、推文、YouTube、Flickr和Tumblr）中展示该方法的有效性。

提出的方法

• 该方法将URL的地理地理标签计算为分享该URL的推特用户地理位置的L1多元中位数。
• 使用Vincenty公式计算地理位置之间的大地测量距离，以进行中位数计算。
• 基于平均绝对偏差（MAD）的分散阈值被用于过滤低置信度的地理标签。
• 该方法应用于来自新闻、YouTube、Flickr、推特和Tumblr的URL，以推特用户位置数据作为输入。
• 稳健统计对于减轻社交媒体数据中地理异常值的影响至关重要。
• 通过将推断的地理标签与官方API（YouTube、Flickr）或人工标注（新闻、地名）的真值位置进行比较，对方法进行评估。

实验结果

研究问题

• RQ1 能否从分享链接的推特用户位置准确推断在线文档的地理焦点？
• RQ2 内容无关地理标注在不同内容类型（如新闻、推文、YouTube视频和照片）中的表现如何变化？
• RQ3 通过分散过滤在多大程度上提高了地理标注的可靠性和准确性？
• RQ4 与内容特定的地理标注技术相比，该方法在覆盖范围和误差方面表现如何？
• RQ5 尽管共享模式相似，为何该方法在Tumblr重发中表现不佳？

主要发现

• 该方法在推文上实现了高精度的地理焦点推断，性能比新闻文章高出近一个数量级。
• 对于YouTube视频，该方法推断了447,441个URL的地理标签，而仅14,582个（3%）通过YouTube API进行了标注，显示出极高的可扩展性。
• 在Flickr上，1,992个URL中仅有284个拥有官方地理标签，表明公开位置元数据的普遍缺失。
• 通过应用1000公里的分散阈值，YouTube地理标注的平均误差可减少一半，同时保持60%的覆盖率。
• 该方法在Tumblr上表现不佳，因为重发行为缺乏地理依据，表现为推断地理标签与基于地名的地理标签之间存在显著差异。
• 通过平均绝对偏差进行的分散过滤有效降低了不确定性并提高了可靠性，尤其对新闻和一般网络内容等高变异性内容更为显著。