We first investigate the coverage of

We first investigate the coverage of location information in social networks. Intuitively, the location information in SNS would contain a subset of the places in real life, as social media captures a relatively small fraction of our lives by people who are active participants of SNS. To estimate the coverage, we manually matched the places visited by users in daily life to the locations in SNS. We used the labeled names and offline feedback from the participants. Figure 1(a) shows that SNS misses about 22% of the places users visited. The missing places are mostly food or shopping places with low popularity, or recently built places, as shown in Figure 1(b). Considering that our dataset is collected with 70 smartphone users, the portion of missing places would increase with more participants since the manual registration of places in SNS cannot contain all the places in real life. Another finding is that mismatch exists in user’s understanding of the actual place and the locations provided by SNS. For example, a user stays at the NexOne Inc. office, but SNS provides this place as the name of the building. A user would think that the building name could not express the place she visited, since the building has many offices, stores, and restaurants. Figure 1(a) shows that the mismatch ratio is about 14.5% of the places in our dataset. The mismatched places were mostly located in college and university regions, shopping districts, or office buildings, as shown in Figure 1(c). In summary, our preliminary analysis indicates that crowdsensing using smartphones has the potential to expand the coverage and improve the granularity of location information that are missed by social media.

ผลลัพธ์ (ไทย) 1:

เราแรกตรวจสอบความครอบคลุมของข้อมูลตำแหน่งที่ตั้งในเครือข่ายสังคม สังหรณ์ใจ ข้อมูลตำแหน่งใน SNS จะประกอบด้วยชุดย่อยของสถานที่ในชีวิตจริง เป็นสังคมจับส่วนค่อนข้างเล็กของชีวิตของเราโดยผู้ที่มีคนของ SNS เพื่อประเมินความครอบคลุม เราเองตรงสถานที่เข้าเยี่ยมชม โดยผู้ใช้ในชีวิตประจำวันไปยังสถานที่ใน SNS เราใช้ป้ายชื่อและ offline ความคิดเห็นจากผู้เข้าร่วม รูป 1(a) แสดงว่า SNS การหายประมาณ 22% ของผู้ใช้ที่เข้าเยี่ยมชม สถานที่หายไปเป็นส่วนใหญ่อาหาร หรือช้อปปิ้งสถานที่ มีความนิยมต่ำ หรือสร้างสถาน ดังที่แสดงในรูป 1(b) พิจารณาว่า มีการรวบรวมชุดข้อมูลของเรากับผู้ใช้สมาร์ทโฟน 70 ส่วนที่หายไปจะขึ้นกับผู้เข้าร่วมตั้งแต่การลงทะเบียนด้วยตนเองใน SNS ไม่ประกอบด้วยสถานทั้งหมดในชีวิตจริง finding อื่นไม่ตรงกันที่มีอยู่ในความเข้าใจของผู้ใช้สถานจริงและสถานที่โดย SNS เช่น ผู้ที่อยู่ที่ทำ NexOne Inc. แต่ SNS ให้สถานที่นี้เป็นชื่อของอาคาร ผู้ใช้จะคิดว่า ชื่ออาคารสามารถแสดงสถานที่ที่เธอชม เนื่องจากอาคารมีหลาย offices ร้านค้า และร้านอาหาร รูป 1(a) แสดงให้เห็นว่า อัตราส่วนไม่ตรง ประมาณ 14.5% ในชุดข้อมูลของเรา สถานไม่ตรงกันเป็นส่วนใหญ่อยู่ในวิทยาลัยและมหาวิทยาลัยภูมิภาค ช้อปปิ้งย่าน หรือทำอาคาร ดังที่แสดงในรูป 1(c) ในสรุป วิเคราะห์เบื้องต้นบ่งชี้ crowdsensing ที่ใช้สมาร์ทโฟนมีศักยภาพที่จะขยายขอบเขต และปรับปรุงองค์ประกอบของข้อมูลตำแหน่งที่พลาดไป โดยสังคม

ผลลัพธ์ (ไทย) 2:

เราแรกตรวจสอบการรายงานข่าวของข้อมูลสถานที่ตั้งในเครือข่ายทางสังคม สัญชาตญาณข้อมูลสถานที่ใน SNS จะมีส่วนหนึ่งของสถานที่ในชีวิตจริงเป็นสื่อสังคมจับส่วนที่ค่อนข้างเล็กของชีวิตของเราโดยผู้ที่มีส่วนร่วมที่ใช้งานของ SNS ในการประมาณการความคุ้มครองที่เราจับคู่สถานที่ที่เข้าชมโดยผู้ใช้ในชีวิตประจำวันไปยังสถานที่ใน SNS ด้วยตนเอง เราใช้ชื่อที่มีข้อความและ o FFL INE ข้อเสนอแนะจากผู้เข้าร่วม รูปที่ 1 (ก) แสดงให้เห็นว่า SNS บอลเฉียงประมาณ 22% ของผู้ใช้สถานที่เข้าชม สถานที่หายไปส่วนใหญ่จะเป็นอาหารหรือแหล่งช้อปปิ้งสถานที่ที่มีความนิยมต่ำหรือสถานที่สร้างขึ้นเมื่อเร็ว ๆ นี้ตามที่แสดงในรูปที่ 1 (ข) พิจารณาว่าชุดของเราจะถูกเก็บรวบรวมกับผู้ใช้ 70 คนมาร์ทโฟนส่วนของตำแหน่งที่ขาดหายไปจะเพิ่มขึ้นกับผู้เข้าร่วมมากขึ้นเนื่องจากการลงทะเบียนด้วยตนเองของสถานที่ใน SNS ไม่สามารถมีทุกสถานที่ในชีวิตจริง nding Fi ก็คือการที่ไม่ตรงกันอยู่ในความเข้าใจของผู้ใช้ในสถานที่ที่เกิดขึ้นจริงและสถานที่ให้บริการโดย SNS ตัวอย่างเช่นผู้ใช้อยู่ที่ NexOne อิงค์ o FFI CE แต่ SNS ให้สถานที่แห่งนี้เป็นชื่อของอาคาร ผู้ใช้จะคิดว่าชื่ออาคารที่ไม่สามารถแสดงสถานที่ที่เธอไปเยี่ยมเนื่องจากอาคารมี o FFI CES หลายร้านค้าและร้านอาหาร รูปที่ 1 (ก) แสดงให้เห็นว่าอัตราการไม่ตรงกันเป็นเรื่องเกี่ยวกับ 14.5% ของตำแหน่งในชุดของเรา ในสถานที่ที่ไม่ตรงกันอยู่ส่วนใหญ่อยู่ในวิทยาลัยและมหาวิทยาลัยภูมิภาคย่านช้อปปิ้งหรืออาคาร CE o FFI ดังแสดงในรูปที่ 1 (ค) โดยสรุปการวิเคราะห์เบื้องต้นของเราแสดงให้เห็นว่า crowdsensing ใช้มาร์ทโฟนมีศักยภาพที่จะขยายความคุ้มครองและปรับปรุงเมล็ดของข้อมูลสถานที่ที่พลาดโดยสื่อสังคม

ผลลัพธ์ (ไทย) 3:

เราจึงตัดสินใจเดินทางไปตรวจสอบความครอบคลุมของข้อมูลที่อยู่ในเครือข่ายทางสังคม สังหรณ์ใจ , ข้อมูลสถานที่ใน SNS จะประกอบด้วยชุดย่อยของสถานที่ในชีวิตจริง สังคมสื่อจับภาพค่อนข้างเศษเล็ก ๆของชีวิตของเรา โดยผู้ที่ใช้งานร่วมของเครือข่ายสังคมออนไลน์ เพื่อประเมินความครอบคลุม เราเองให้เข้ากับสถานที่ที่เข้าเยี่ยมชม โดยผู้ใช้ในชีวิตประจำวันกับสถานที่ในเครือข่ายสังคมออนไลน์ เราใช้ติดป้ายชื่อและความคิดเห็น e o fflจากผู้เข้าร่วม รูปที่ 1 ( ก ) แสดงให้เห็นว่า SNS พลาดประมาณ 22 % ของสถานที่ที่ผู้ใช้เข้าเยี่ยมชม หายไปสถานที่ส่วนใหญ่จะเป็นอาหารหรือแหล่งช็อปปิ้งที่มีความนิยมน้อย หรือเพิ่งสร้างสถานที่ ดังแสดงในรูปที่ 1 ( B ) พิจารณาว่าข้อมูลเราเก็บ 70 มาร์ทโฟน ผู้ใช้ ส่วนที่ขาดหายไป สถานที่จะเพิ่มกับผู้เข้าร่วมตั้งแต่การลงทะเบียนคู่มือการใช้งานของสถานที่ใน SNS ไม่ประกอบด้วยสถานที่ทั้งหมดในชีวิตจริง อื่นจึงหาที่ไม่ตรงกันอยู่ในความเข้าใจของผู้ใช้สถานที่จริงและสถานที่โดยเครือข่ายสังคมออนไลน์ ตัวอย่างเช่นผู้ใช้อยู่ที่ nexone อิงค์ o ffi CE แต่ SNS ให้สถานที่นี้เป็นชื่อของอาคาร ผู้ใช้จะคิดว่าชื่ออาคารไม่แสดงสถานที่ที่เธอมาเยือน เนื่องจากอาคารมีงาน CES , O ffiหลายร้านค้าและร้านอาหาร รูปที่ 1 ( a ) พบว่าอัตราส่วนไม่ตรงกันประมาณ 14.5% ของสถานที่ใน DataSet ของเรา ไม่ตรงกันสถานที่ส่วนใหญ่อยู่ในวิทยาลัยและมหาวิทยาลัยภูมิภาค เขตชอปปิ้ง หรือ โอ ffi CE อาคาร ดังแสดงในรูปที่ 1 ( ค ) ในการสรุป วิเคราะห์เบื้องต้นพบว่า crowdsensing ใช้มาร์ทโฟนมีศักยภาพที่จะขยายความครอบคลุม และปรับปรุงข้อมูลสถานที่ที่พลาด granularity ของสื่อทางสังคม