城市空间社交信息分布地图———以重庆市主城区为例刘浚源李永森陈隆杰马瑜洋（广州中山大学地理科学与规划学院，广东广州510000）摘要：本文利用日趋成熟的信息地图绘制方法，结合机器学习和数据挖掘技术，针对人口密集，发展迅猛的重庆市九个主城区绘制多种反映城市空间社交分布特性及社交分区的可视化地图。
通过提取用户发布的社交信息并分析其包含的社交特性，绘制在传统的空间地图中。
为空间分析，城市管理问题和商业决策等问题提供重要参考信息。
关键词：社交网络；GIS；机器学习；数据挖掘；大数据；1．引文传统意义上的地图，旨在反映的是景观与地物在空间中的静态分布。
而在以通信与信息技术主导的高新科技快速发展的浪潮下，传统的地图学已经无法满足知识型社会的需求，其中一个重要的原因，是传统地图学对于空间动态信息的反馈滞后。
地图的绘制需要寻找一种新的表达理念，去迎合市场和技术更新更广的需求。
随着移动信息技术和空间定位技术的发展，地理学者和市场将更多的关注点聚焦在“地图背后的人”。
国内外已经开展基于人本立场的相关区域性空间研究，例如“空间情感分析”就是将区域内的个体的情感指数定位在城市地图当中。
重庆市九个主城区常驻人口有745.76万人（数据来源：第六次人口普查），主城区面积4403.19平方公里（数据来源：中国统计网），主城区人口密度高达1693.68人/平方公里，其中18－30岁年龄段占主导。
重庆市主城区的人口密集，社交活跃度较高，主城区区域的社交特性极具研究价值。
本文结合数据挖掘和机器学习技术，采集重庆市市区范围内的微博文本；利用人工智能方法学习分析社交文本数据，统计其社交特性；并结合空间位置信息，利用先进的成图技术，绘制重庆市城市空间社交分布信息分布地图。
本研究意义在于为传统的空间分析提供新的影响因子，例如在“空间选址问题”或者“路径成本问题”中，提供一个类似于“通达性系数”或“阻力系数”等因人类行为造成影响的权重指标。
另一方面，可以为城市空间布局的合理性，城市事件多样性和城市宜居性等领域的研究提供可视化的参考依据。
同时，本文得到的社交热区和城市社交功能区分界等动态信息，对于商家的商业行为决策或市场推广也有重要的参考价值。
2．数据与方法2．1数据采集重庆市行政区域跨东经105ʎ1’到110ʎ11’，北纬28ʎ10’到32ʎ13’，本文研究区域集中在九个主城区内。
主要采集该区域内2015年4月－8月新浪微博用户发布的约20万份文本数据，其中内容类似于“转发微博”等无法分类的文本经筛选清洗过后，剩余有效数据约8万余条。
重庆市九个主城区地图采用基于WGS－84坐标系（GPS 卫星通用坐标系）的1ʒ5000比例尺矢量图，行政区边界为2015年最新更新数据。
所统计的重庆市主城区约2万个餐饮企业，用于制作美食热区地图。
其余人口数据和城市面积数据均来自中国统计网及政府门户网站。
2．2方法数据挖掘（Data Mining）通常是指对信息的采集获取，更深层的运用是在大量信息中通过特定算法实现对隐藏信息的获取。
机器学习（Machine Learning）是一门多领域交叉学科，简单来说是利用计算机模拟人脑逻辑思维实行学习行为。
本文通过对用户发布的数据进行分词和分类，理解其自然语言，提取文本包含的社交特性，实现从“数据”到“智慧”的学习过程。
地理信息系统（Geographic Information System）是在计算机软、硬件的支持下，对空间信息分析与处理的集成系统。
3．社交信息获取及处理3．1文本学习原理以SNS为主的社交网络是互联网经过门户时代，搜索时代后，当前所处的第三个时代。
主要呈现以下特性：1．人际传播回归和社交关系网络化；2．以用户为中心；3．虚拟社交与真实社交的融合；4．私人空间与公共空间的结合。
［1］这四条特性奠定了社交网络的文本数据的研究价值：当前人类在虚拟环境中的交互信息很大程度上反映了人类在现实环境中的需求和意图。
社交应用用户主动发布社交信息，是人们以文字方式传递信息，交流思想，以达到某种目的的一种社会活动。
这契合了传播情感地理学研究中关于传播情感维度的抽象概括：时间，空间和社会化。
［2］因此，利用人工智能方法学习得到的社交文本分类结果可以等同于用户在特定空间上所具有的某种社交特性。
3．2数据采集本文采集数据的空间范围是重庆市主要的9个主城区（渝中区，九龙坡区，大渡口区，江北区，渝北区，南岸区，巴南区，沙坪坝区，北碚区），总面积约为5464.91平方公里；采集数据的时间范围集中在2015年4月至2015年8月份。
依据时空参数的变化在社交网站下载社交应用用户的发布信息。
3．3本分词方法不同于英文文本，汉语是以字为基本的书写单位，词语之间没有明显的区分标记，因此，中文词语分析是中文信息处理的基础与关键。
本文采用机械分词法作为文本分词算法，将汉字字符串与一个足够庞大的词典中的词条进行匹配，匹配成功则识别出一个词。
匹配方法是先识别和切分较为明显的特征字符串，将其作为断点，将原文本切分成更小的字符串，再进行切分和识别，从而提高分词到正确率。
3．4文本分类技术介绍中文文本分类是指在预处理分词的基础上，根据分词的结果自动识别文本类别的过程。
文本分类大致有两种算法：一是基于词库的分类，二是基于训练集的分类。
［3］在人工智能领域的研究中，文本分类极具潜力，目前已有的算法日趋成熟，但距离投入市场还需要更深的巩固和探索。
3．4．1基于词库的分类基于词库对分类适用于有“充分庞大的”词典的前提条件，将文本的分词结果映射到已有的词典，按照是否出现类别中相同的词，来判别文本的类别。
下图所示的词云即是一种具象的分词“词典”，经过切割后的文本字符串与词云库进行匹配，然后通过特定的统计算法，实现文本社交特性的识别和归类。
3．4．2基于训练集的分类基于训练集的分类是典型的有监督的机器学习，将人工进GLOBAL CITYGEOGＲAPHY277278城市地理行了准确分类的文档作为训练集，可以由计算机从这些训练集中挖掘能够有效分类的规则，然后利用规则对未知文档进行学习。
一般情况下，分为训练和分类两个阶段。
在训练阶段，先从总体挖掘数据中提取出社交特性较为突出的若干条微博文本作为训练集，然后定义类别集合，接下来对训练集中的文本进行类别标注，最后统计训练集中所有文档的特征矢量，得到能够确定各个类别的特征矢量矩阵。
在分类阶段，利用某种算法，计算每个待分类文档的特征矢量与每个类别特征矢量矩阵的相似度，然后选取相似度最大的类别作为该待分类文档的“社交特性”。
3．5社交特性统计结果本文共采集到20万余条社交文本数据，数据清洗的第一步是将数据划分到所属分区当中，排除了4万余条分布在城区外围的社交文本。
从划分结果来看，除了九龙坡区（40917条）和北碚区（1291条），其余各个行政区社交分布较为平均，而造成数据样本极差较大的原因可能是功能分区差异或城区面积差异所造成的社交活跃度差异。
在数据经过空间范围筛选的第一次清洗过后，进入下一阶段的处理：文本分词和分类。
不论是采用文本分类的统计学习算法或调用分类功能API ，所得到的分类结果太过零碎，在空间布局中很难总结规律，呈现分布特性。
因此需要对分类结果进行第二次清洗，将分类的结果收敛到更抽象的社交特性当中。
在中国互联网络信息中心发布的《2013年中国社交类应用用户行为研究报告》中，微博类社交用户的话题主要内容为转发信息，搜索新闻/热点话题，交流沟通等，这些内容使用比例高达60%以上。
［4］这也是近年来社交网站的转型趋势：正在逐渐成为一个大众舆论平台，成为人们了解时下热点信息的主要渠道。
本文的分类结果也呈现相同的结构比例：主动发送微博的比例远低于分享/转发信息，互联网用户给予的反馈较少，积极性不高，同时在主动发送的比例中社会话题占据主导，接下来分别是生活话题，情感话题，和娱乐话题。
4．重庆市社交特性分布地图4．1社交数据空间分布图从SNS 采集的社交数据除了包含文本信息，还有一个重要的属性就是空间位置信息。
用户所发布的社交信息在空间中的分布格局是本文的研究重点，可以从社交特性的分布所呈现的离散特征和空间配置中获取非常丰富的信息。
图4－1－1社交特性点分布图及空间社交热区图社交数据的空间分布主要集中在渝中区附近，其中沙坪坝区磁器口，九龙坡区杨家坪和江北区观音桥等地区在单位面积上的社交信息聚集量高达4000条以上，并且以这些地区作为基点，社交数据的聚集向周边区域呈现梯度降低的扩散。
值得注意的是，在沙坪坝区的大学城，北碚区的北碚新区，渝北区的江北机场还有巴南区鱼洞附近，尽管远离中心高密度聚集区，仍出现了一定规模的聚集。
利用空间分析中常用的核密度分析方法，将离散的社交属性点绘制成栅格格式的社交热区图。
色温差异反应了社交热区的变化情况，因为核密度分析是将输入要素生成连续的表面，可以计算区域内的数据聚集情况。
从社交热区图中可以发现，社交信息在以渝中区为中心的圆形范围内呈现高密度分布，同时在大学城，鱼洞以及机场附近也形成了小范围的高密度热区。
这样的分布特性可能的原因有两个：一是城市功能分区引导了都市人群的流向。
在大渡口区，江北，沙坪坝，九龙坡和南岸区中，都市核心区中的社交热度上远远超过都市功能拓展区。
功能区的划分决定了该区城市结构，产业结构上的不同。
相比较于功能拓展区，核心区服务业比重较高，农工业比重较低，城市功能也更加完善，城市管理更加精细，因此核心区对人群更具吸引力，从而导致社交数据的聚集。
另一方面，社交用户的构成也是产生社交信息的分布呈现“大中心，小群落”的形态的原因。
学生与商家一直是社交用户当中较为活跃的群体，因此在远离市中心的沙坪坝大学城也形成了颇具规模社交热区。
4．2社交类别分布图图4－2－1社交类别分布图经过两次清洗的社交数据总共分为五大类：未分类，娱乐话题，社会话题，情感话题和生活话题。
除了不能成功识别的社交文本，其余分类结果都包含其特有的社交特性。
例如社会话题和娱乐话题，其主要是依托社交网站作为公众舆论平台，分享，传播，发布和反馈公开信息。
又如情感话题和生活话题，是将社交网站作为信息传播渠道，以与他人沟通交流分享为目的发布个人信息。
绘制社交类别分布图是以离散矢量点作为要素，基于空间位置信息定位于研究区域内。
从四幅图像上来看，尽管每种社交类别都具有其特有的特性，但四种类别的社交信息在空间中的分布格局大致相同，没有出现某一类社交类别在空间上异常聚集的情况。
四中社交类别呈现出的主要特点是数量上的差异，例如社会话题的信息量较大，分布较为密集，娱乐话题信息量较少，分布较为稀疏。
这也一定程度上反映了在现实条件相对接近的前提下，社交用户在虚拟环境中的社交行为在空间上是没有选择性的。
从另一方面来说，不论社交人群具有何种社交属性，社交信息的分布边界是根据现．实环境的空间布局和资源配置所决定的。
