利用社交媒体数据建模食物流行度依赖关系

主流社交媒体平台的兴起使人们能够分享关于日常生活的照片与文本信息。其中被分享的热门话题之一是食物。由于大量关于食物的信息被归属于特定地点与餐厅，因此可以分析各类菜系在空间与时间上的流行度等信息。跨空间与时间追踪食物类型与零售地点的流行度，对商家与餐厅投资者也颇具价值。在这项工作中，我们提出一种利用现成机器学习技术、基于来自社交媒体、Google 图片与 Yelp 的地理标记数据来识别某区域菜系类型趋势与流行度的方法。在针对时间进行校正后，我们使用核密度估计（Kernel Density Estimation）获取该地点上的热点，并利用贝叶斯网络对菜系流行度之间的依赖关系进行建模。我们以纽约市曼哈顿区作为分析区域，但该方法可用于任何具备社交媒体数据与零售商业信息的地区。