地理标记推文中的数据噪声、用户偏差与系统错误识别
社会与信息网络
2017-12-08 v1
摘要
许多社交媒体研究人员与数据科学家收集地理标记推文，以对特定主题或事件的过滤消息进行空间分析或识别时空模式。本文系统性地展示了通过 Twitter Streaming API 获取的地理标记推文的特征（数据噪声、用户偏差与系统错误）。首先，我们发现少量（1%）活跃 Twitter 用户可产生大量（16%）的地理标记推文。其次，有显著比例（57.3%）的地理标记推文位于圣迭戈 Twitter Streaming API 边界框之外。第三，我们可通过检查“source”元数据字段检测垃圾、机器人、半机器人推文（数据噪声）。在我们的案例研究中，地理标记推文中数据噪声的比例显著（加州圣迭戈为 29.42%，俄亥俄州哥伦布为 53.47%）。最后，大多数地理标记推文并非由 Android 或 iPhone 设备上的通用 Twitter 应用创建，而是由其他平台如 Instagram 与 Foursquare 创建。我们推荐一个多步骤流程，以利用地理标记推文的未来研究项目中去除这些噪声。
引用
@article{arxiv.1712.02433,
title = {Identifying Data Noises, User Biases, and System Errors in Geo-tagged Twitter Messages (Tweets)},
author = {Ming-Hsiang Tsou and Hao Zhang and Chin-Te Jung},
journal= {arXiv preprint arXiv:1712.02433},
year = {2017}
}