Sentiment analysis on social media such as Twitter is a challenging task given the data characteristics such as the length, spelling errors, abbreviations, and special characters. Social media sentiment analysis is also a fundamental issue with many applications. With particular regard of the tourism sector, where the characterization of fluxes is a vital issue, the sources of geotagged information have already proven to be promising for tourism-related geographic research. The paper introduces an approach to estimate the sentiment related to Cilento’s, a well known tourism venue in Southern Italy. A newly collected dataset of tweets related to tourism is at the base of our method. We aim at demonstrating and testing a deep learning social geodata framework to characterize spatial, temporal and demographic tourist flows across the vast of territory this rural touristic region and along its coasts. We have applied four specially trained Deep Neural Networks to identify and assess the sentiment, two word-level and two character-based, respectively. In contrast to many existing datasets, the actual sentiment carried by texts or hashtags is not automatically assessed in our approach. We manually annotated the whole set to get to a higher dataset quality in terms of accuracy, proving the effectiveness of our method. Moreover, the geographical coding labelling each information, allow for fitting the inferred sentiments with their geographical location, obtaining an even more nuanced content analysis of the semantic meaning.

考虑到数据特征（例如长度，拼写错误，缩写和特殊字符），对诸如Twitter之类的社交媒体进行情感分析是一项具有挑战性的任务。社交媒体情绪分析也是许多应用程序中的一个基本问题。特别是在旅游业，通量的表征是一个至关重要的问题，地理信息的来源已被证明对与旅游有关的地理研究是有前途的。本文介绍了一种估算与意大利南部著名旅游场所奇伦托相关的情绪的方法。新收集的与旅游相关的推文数据集是我们方法的基础。我们旨在演示和测试深度学习的社会地理数据框架，以描述空间，时间和人口统计的游客在这个乡村旅游地区及其沿海地区的广大领土上流动。我们已经应用了四个经过专门训练的深度神经网络来识别和评估情感，分别是两个单词级别和两个基于字符的。与许多现有数据集相比，文本或主题标签所携带的实际情绪不会在我们的方法中自动进行评估。我们手动注释了整个集合，以达到更高的数据集质量，从而提高了准确性，证明了我们方法的有效性。此外，标记每个信息的地理编码允许将推断的情感与其地理位置相匹配，从而获得语义含义的更细微的内容分析。我们已经应用了四个经过专门训练的深度神经网络来识别和评估情感，分别是两个单词级别和两个基于字符的。与许多现有数据集相比，文本或主题标签所携带的实际情绪不会在我们的方法中自动进行评估。我们手动注释了整个集合，以达到更高的数据集质量，从而提高了准确性，证明了我们方法的有效性。此外，标记每个信息的地理编码允许将推断的情感与其地理位置相匹配，从而获得语义含义的更细微的内容分析。我们已经应用了四个经过专门训练的深度神经网络来识别和评估情感，分别是两个单词级别和两个基于字符的。与许多现有数据集相比，文本或主题标签所携带的实际情绪不会在我们的方法中自动进行评估。我们手动注释了整个集合，以达到更高的数据集质量，从而提高了准确性，证明了我们方法的有效性。此外，标记每个信息的地理编码允许将推断的情感与其地理位置相匹配，从而获得语义含义的更细微的内容分析。在我们的方法中，不会自动评估文本或主题标签所携带的实际情绪。我们手动注释了整个集合，以达到更高的数据集质量，从而提高了准确性，证明了我们方法的有效性。此外，标记每个信息的地理编码允许将推断的情感与其地理位置相匹配，从而获得语义含义的更细微的内容分析。在我们的方法中，不会自动评估文本或主题标签所携带的实际情绪。我们手动注释了整个集合，以达到更高的数据集质量，从而提高了准确性，证明了我们方法的有效性。此外，标记每个信息的地理编码允许将推断的情感与其地理位置相匹配，从而获得语义含义的更细微的内容分析。