ABSTRACTWe propose and evaluate a p

ABSTRACT
We propose and evaluate a probabilistic framework for estimating a Twitter user’s city-level location based purely on the content of the user’s tweets, even in the absence of any other geospatial cues. By augmenting the massive human-powered sensing capabilities of Twitter and related microblogging services with content-derived location information, this framework can overcome the sparsity of geoenabled features in these services and enable new locationbased personalized information services, the targeting of regional advertisements, and so on. Three of the key features of the proposed approach are: (i) its reliance purely on tweet content, meaning no need for user IP information, private login information, or external knowledge bases; (ii) a classification component for automatically identifying words in tweets with a strong local geo-scope; and (iii) a lattice-based neighborhood smoothing model for refining a user’s location estimate. The system estimates k possible locations for each user in descending order of confidence. On average we find that the location estimates converge quickly (needing just 100s of tweets), placing 51% of Twitter users within 100 miles of their actual location.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อเรานำเสนอ และประเมินกรอบ probabilistic สำหรับการประเมินสถานที่ระดับเมืองของผู้ใช้ Twitter ตามเนื้อหาของผู้ใช้ทวี แม้ในการแสดงสัญญาณเชิงพื้นที่อื่น ๆ โดยเพิ่มขนาดที่ใหญ่ สามารถของ Twitter และบริการ microblogging ที่เกี่ยวข้องกับข้อมูลเนื้อหาที่ได้รับตำแหน่งที่ตั้ง การตรวจจับมนุษย์เปิดกรอบนี้สามารถเอาชนะ sparsity geoenabled คุณสมบัติในบริการเหล่านี้ และเปิดใหม่ locationbased ส่วนบุคคลบริการข้อมูล การกำหนดเป้าหมายโฆษณาระดับภูมิภาค และอื่น ๆ สามคุณสมบัติที่สำคัญของวิธีการนำเสนอเป็น: (i) ที่พึ่งแท้จากทวีเนื้อหา ความหมาย ไม่จำเป็นต้องข้อมูล IP ของผู้ใช้ ข้อมูลส่วนตัว หรือ ฐานความรู้ภายนอก (ii) การจัดประเภทส่วนประกอบสำหรับการระบุคำทวีด้วยการแข็งท้องถิ่นภูมิศาสตร์ขอบเขต โดยอัตโนมัติ และ (iii) ตาข่ายตามย่านให้เรียบรุ่นสำหรับปรับตำแหน่งของผู้ใช้ประเมิน ระบบประเมิน k สถานเป็นไปได้สำหรับแต่ละผู้ใช้ในลำดับของความเชื่อมั่น โดยเฉลี่ยเราพบว่า ที่ตั้งประมาณการมาบรรจบกันได้อย่างรวดเร็ว (ขาดเพียง 100s ของทวี), วาง 51% ของผู้ใช้ Twitter ในตำแหน่งจริง 100 ไมล์

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ
เราเสนอและประเมินกรอบน่าจะเป็นสำหรับการประเมินตำแหน่งระดับเมืองผู้ใช้ทวิตเตอร์ของตามหมดจดในเนื้อหาของทวิตเตอร์ของผู้ใช้แม้ในกรณีที่ไม่มีการชี้นำเชิงพื้นที่อื่น ๆ โดย augmenting มนุษย์ขับเคลื่อนความสามารถในการตรวจจับขนาดใหญ่ของทวิตเตอร์และบริการไมโครบล็อกที่เกี่ยวข้องกับข้อมูลสถานที่เนื้อหาที่ได้มาจากกรอบนี้สามารถเอาชนะ sparsity ของคุณสมบัติ geoenabled ในการให้บริการเหล่านี้และเปิดใช้งานใหม่ locationbased บริการข้อมูลส่วนบุคคล, การกำหนดเป้าหมายของการโฆษณาในระดับภูมิภาคและอื่น ๆ บน. สามคุณสมบัติที่สำคัญของวิธีการที่นำเสนอมีดังนี้: (i) ความเชื่อมั่นอย่างหมดจดในเนื้อหาทวีความหมายความจำเป็นสำหรับผู้ใช้ข้อมูลทรัพย์สินทางปัญญา, ข้อมูลเข้าสู่ระบบส่วนตัวหรือฐานความรู้ภายนอก; (ii) เป็นองค์ประกอบการจัดหมวดหมู่สำหรับการระบุคำโดยอัตโนมัติในทวิตเตอร์ที่มีในท้องถิ่นที่แข็งแกร่งทางภูมิศาสตร์ขอบเขต; และ (iii) ตาข่ายตามย่านรูปแบบเรียบสำหรับการปรับแต่งประมาณการตำแหน่งของผู้ใช้ ระบบประเมิน K สถานที่เป็นไปได้สำหรับผู้ใช้แต่ละคนในลำดับถัดลงของความเชื่อมั่น โดยเฉลี่ยเราพบว่าประมาณการที่ตั้งมาบรรจบกันได้อย่างรวดเร็ว (ต้องเพียง 100s ของทวิตเตอร์) วาง 51% ของผู้ใช้ทวิตเตอร์ภายใน 100 ไมล์จากสถานที่จริงของพวกเขา

ผลลัพธ์ (ไทย) 3:

บทคัดย่อเรานำเสนอและประเมินกรอบสำหรับการประมาณความน่าจะเป็นของผู้ใช้ Twitter เมืองระดับสถานที่ตามหมดจดในเนื้อหาของข้อความของผู้ใช้ แม้ในกรณีที่ไม่มีสัญญาณใด ๆทางกฎหมายอื่น ๆ โดยยกระดับขนาดใหญ่ขับเคลื่อนมนุษย์สัมผัสความสามารถของ Twitter และที่เกี่ยวข้องกับ microblogging บริการเนื้อหาข้อมูลสถานที่ , กรอบนี้สามารถเอาชนะ sparsity ของ geoenabled คุณสมบัติในการให้บริการเหล่านี้ และเปิดใช้บริการใหม่ locationbased ข้อมูลส่วนบุคคล , การกำหนดเป้าหมายของโฆษณาในระดับภูมิภาค , และดังนั้นบน สามคุณสมบัติหลักของวิธีการที่เสนอ : ( i ) การพึ่งพาของมันหมดจดใน tweet เนื้อหา ความหมายไม่ต้องข้อมูล IP ของผู้ใช้ข้อมูลการเข้าสู่ระบบส่วนบุคคล หรือภายนอกความรู้ฐาน ; ( 2 ) การจำแนกองค์ประกอบโดยอัตโนมัติระบุคำทวีตกับขอบเขตภูมิศาสตร์ท้องถิ่นที่เข้มแข็ง และ ( 3 ) เป็นแลตทิซใกล้กับ เรียบ ใช้รูปแบบสำหรับการกลั่นประมาณตำแหน่งของผู้ใช้ ระบบประเมิน K สถานที่เป็นไปได้สำหรับผู้ใช้แต่ละคนลดหลั่นของความเชื่อมั่น โดยเฉลี่ยแล้วเราพบว่า สถานที่ที่ประมาณการกันอย่างรวดเร็ว ( ต้องการแค่ 100s ของทวิตเตอร์ ) วาง 51% ของผู้ใช้ Twitter ในรัศมี 100 ไมล์จากสถานที่จริง