Content uploaded by Gustavo H. Santos
Author content
All content in this area was uploaded by Gustavo H. Santos on Oct 21, 2024
Content may be subject to copyright.
Modelagem do Interesse por Áreas Urbanas Usando Redes Sociais
Baseadas em Localização
Gustavo H. Santos
Federal University of Technology - Parana
Curitiba, Brazil
gustavohenriquesantos@alunos.utfpr.edu.br
Myriam Delgado (Co-advisor)
Federal University of Technology - Parana
Curitiba, Brazil
myriamdelg@utfpr.edu.br
Thiago H. Silva (Advisor)
Federal University of Technology - Parana
Curitiba, Brazil
thiagoh@utfpr.edu.br
ABSTRACT
Location-Based Social Networks (LBSNs) can help model users’ interests
in urban areas in several ways. In the present work, we focus on Interest
Networks (iNETs), which result from modeling LBSN data into graphs. The
present study provides insights into which areas are frequently visited
together by getting data from two distinct LBSNs, Foursquare and Google
Places. Although the studied LBSNs dier in nature, with data varying in
regularity and purpose, both modeled iNETs revealed similar urban behavior
patterns and were likewise impacted by socioeconomic and geographic
factors. Also, we discuss the development of a tool to empower urban
studies and the by-products of this research.
KEYWORDS
LBSNs, grafos, modelagem comportamental, interesses, áreas urbanas
1 INTRODUÇÃO
Redes Sociais Baseadas em Localização (LBSNs, do inglês Location-
Based Social Networks) são uma ferramenta amplamente usada na
análise dos fenômenos urbanos [
3
,
4
,
9
,
14
,
16
,
17
,
20
,
23
,
25
]. Como
as LBSNs fornecem dados que contêm, entre outras coisas, as prefe-
rências dos usuários por locais especícos de uma cidade [
19
,
22
],
uma modelagem apropriada pode aprimorar a compreensão da
conduta destes usuários em seus ambientes urbanos.
O trabalho de pesquisa descrito neste artigo tem como objetivo
geral entender parte do comportamento de usuários em áreas urba-
nas, usando dados de LBSNs. Como objetivos especícos, busca-se
propor a modelagem dessa dinâmica social através de grafos - as Re-
des de Interesse; agregar fatores socieconômicos, políticos e raciais
à análise e por m trabalhar diferentes granularidades na denição
das regiões.
Em uma primeira etapa da pesquisa, fez-se uma coleta dos dados
de duas LBSNs, Google Places e Foursquare, na cidade de Curitiba.
O Google Places é uma plataforma na qual os usuários podem fazer
avaliações sobre os locais que eles frequentaram. Já o Foursquare é
uma rede social na qual as pessoas compartilham sua localização
através de check-ins. Com esses dados geolocalizados, faz-se uma
agregação das avaliações em um grafo não direcionado (rede de
interesse) no qual os nós representam bairros da cidade e arestas
representam o interesse dos usuários entre os bairros. Esses resul-
tados evidenciam que, apesar em diferenças no uso e no próposito
das plataformas, as duas LBSNs apresentam padrões similares em
relação ao comportamento dos usuários no ambiente urbano. Os
In: IV Concurso de Trabalhos de Iniciação Cientíca (CTIC 2024). Anais Estendidos do
XXX Simpósio Brasileiro de Sistemas Multimídia e Web (CTIC’2024). Juiz de Fora/MG,
Brazil. Porto Alegre: Brazilian Computer Society, 2024.
©2024 SBC – Sociedade Brasileira de Computação.
ISSN 2596-1683
resultados deste trabalho sugerem ainda que, entre diversos fatores
analisados, a distância entre regiões urbanas inuencia o comporta-
mento das pessoas. Ainda na primeira etapa, foram incorporados às
redes de interesse, dados socioeconômicos e preferências políticas
que caracterizam os bairros analisados, como forma de avaliar sua
inuência nas escolhas dos usuários. Na segunda etapa da pesquisa,
de modo a padronizar essas análises e expandir, mais facilmente,
esse estudo para regiões do mundo com menos dados disponíveis,
foi desenvolvida uma ferramenta que fornece uma subdivisão em
hexágonos de tamanhos ajustáveis para grande parte das cidades
do mundo.
Vale destacar o impacto da pesquisa realizada, que resultou em 3
trabalhos aceitos [
5
,
6
,
15
], sendo 2 em workshop de evento (qua-
lis A4), um em evento internacional (qualis A2) e 2 convites para
extensão em revista internacional (Qualis A2, JCR 3.5). O primeiro
trabalho [
15
] foi resultado direto da primeira etapa e teve sua rele-
vância atestada por um convite para extensão no Journal of Internet
Services and Applications (JISA) . Já o segundo e terceiro trabalhos
representam contribuições indiretas; o segundo [
5
] foi premiado
em 3o lugar no Courb 2024, também convidado para extensão no
JISA e o terceiro trabalho [6] foi aceito para o Asonam 2024.
2 TRABALHOS RELACIONADOS
Dado que o comportamento urbano é uma parte fundamental do
funcionamento de cidades, muitos estudos recentes ressaltam o
uso de LBSNs para as suas análises. Numa avaliação comparativa
entre várias LBSNs, tanto os benefícios das plataformas para o
estudo dos fenômenos urbanos quanto os desaos envolvidos foram
reconhecidos em [
11
]. Já [
12
] evidencia os diversos cenários em que
os dados são úteis, como, por exemplo, na compreensão da dinâmica
social, em intervenções urbanas especícas, no turismo, no papel da
infraestrutura verde, entre outros. Buscando entender se diferentes
LBSNs podem ser utilizadas juntas para o entendimento urbano,
[
21
] usa o Instagram e o Foursquare para mostrar que um check-in
do Foursquare pode trazer informação sobre a categoria de um
estabelecimento comentado em uma publicação do Instagram.
Outros trabalhos buscam relacionar diferentes fatores com a
mobilidade. Com dados geolocalizados do Twitter, [
1
] explora os
relacionamentos entre as distâncias percorridas pelos usuários, as
regiões que eles frequentam, a popularidade na plataforma e a lin-
guagem usada nas postagens, identicado um padrão de mobilidade
no qual distâncias menores têm maior preferência do que distâncias
maiores. Em outra linha de investigação, [
24
] avalia se dados do
Foursquare se assemelham aos dados informados pela WTO (World
Tourism Organization), na questão do turismo internacional.
Diferente dessas abordagens, esta pesquisa tem como objetivo
usar LBSNs para entender os fatores que inuenciam o interesse
57
CTIC’2024, Juiz de Fora/MG, Brazil Santos et al.
dos usuários por áreas urbanas, visando ainda vericar a validade
em mais de uma fonte de LBSN.
3 DESCRIÇÃO DOS DADOS E METODOLOGIA
Em uma primeira etapa da pesquisa, foram usadas duas LBSNs
diferentes, Google Places e Foursquare. Os dados do Google Places
foram disponibilizado pelos autores de [
7
] e [
13
] para pesquisas e
abrangem o mundo todo. Os dados do Foursquare foram disponi-
bilizadas pelos autores de [
18
], englobando o mundo todo. Para a
nossa análise, zemos uma seleção para a cidade de Curitiba, que
resultaram em dois datasets distintos, para os quais foram coletados
dados da cidade de Curitiba no período de 2010-2013, para o Google
Places, formado por 8.372 avaliações de 4.909 usuários em 2.213 es-
tabelecimentos localizados em 69 dos 75 bairros de Curitiba, e 2014,
sendo composto por 5.116 usuários que zeram 53.253 check-ins
em 8.523 pontos diferentes da cidade de Curitiba em 62 dos bairros,
para o Foursquare.
Ao analisar as categorias mais frequentadas pelos usuários de
cada uma das LBSNs, presentes na Figura 1, por exemplo, a presença
de restaurantes foi maior no Google Places; o Foursquare, por outro
lado, apresentou uma grande ocorrência de categorias como casa e
trabalho, categorias não presentes no Google Places. Ademais, os
usuários do Foursquare apresentaram uma recorrência no uso da
plataforma superior quando comparados aos do Google Places, os
quais costumam avaliar em intervalos de tempo bem diferentes dos
usuários do Foursquare.
Figura 1: Categorias mais avaliadas no Google Places (es-
querda) e no Foursquare (direita)
Como passo metodológico para entender o interesse dos usuários,
construiu-se um grafo não dirigido ponderado
𝐺=(𝑉 , 𝐸)
, no qual
o conjunto
𝑉
de nós identica os bairros de Curitiba, e uma aresta
𝑒𝑖, 𝑗 ∈𝐸
conecta o bairro
𝑣𝑖∈𝑉
ao bairro
𝑣𝑗∈𝑉
, com peso
𝑤𝑖, 𝑗 ∈N
indicando a quantidade de usuários que têm avaliações
de estabelecimentos localizados em ambos os bairros. Estas arestas
representam então o interesse de usuários por dois bairros distintos.
Além disso, essa rede possui self-loops, isso é, uma aresta
𝑒𝑖,𝑖 ∈𝐸
conecta um bairro
𝑣𝑖∈𝑉
a ele mesmo, nesta aresta o peso
𝑤𝑖,𝑖 ∈N
determina a quantidade de usuários que avaliou pelo menos duas
vezes um mesmo bairro. A rede de interesse formada pelos dados
do Google Places na cidade de Curitiba pode ser vista na gura 2.
Nela, arestas de maior largura indicam um peso mais elevado, e o
tamanho do nó representa o seu grau.
Na continuidade desta primeira etapa, de forma a analisar os
fatores que inuenciam o comportamento urbano, foram utilizados
os dados socioeconômicos dos bairros de Curitiba, disponibilizados
pelo Censo Demográco Brasileiro de 2010 realizado pelo IBGE.
Para os dados econômicos, foi coletada a renda média mensal e para
os aspectos sociais, a composição racial de cada bairro, sendo ela
Figura 2: Rede de Interesse de Curitiba (Google Places).
formada pelas categorias: Branca; Preta; Amarela; Parda; Indígena.
Para investigar o impacto da polarização política, foram coletados
em Curitiba no ano de 2014, por ser mais próximos dos datasets
utilizados, dados do Tribunal Regional Eleitoral referentes ao 2°
turno das eleições para presidente.
Com o objetivo de examinar o impacto de diferenças econômicas,
sociais, políticas e espaciais no interesse dos usuários, calculou-se
a diferença entre os bairros, para esses fatores. Para a renda média
mensal foi usada a diferença absoluta, bem como para a polarização
política, na qual usou-se a diferença absoluta entre os percentuais
que votaram na candidata Dilma Rousse, de modo similar a [
8
] e
[
10
]. Para quanticar a diferença racial entre dois bairros, usou-se
a mesma técnica de [
8
], na qual a diferença entre os bairros
𝐴
e
𝐵
é
dada por
𝑅𝐴,𝐵 =
1
2
𝑛
𝑖=1
𝑃𝑖(𝐴)
𝑃(𝐴)−𝑃𝑖(𝐵)
𝑃(𝐵)
onde
𝑅𝐴,𝐵
é a diferença das composições raciais entre os bairros
𝐴
e
𝐵
,
𝑃(𝐴)
representa o tamanho da população do bairro
𝐴
, com
𝑖=
1
, . .,𝑛
identicando a i-ésima categoria racial em um bairro, con-
forme as categorias denidas pelo Censo Demográco Brasileiro de
2010: Branca, Preta, Amarela, Parda e Indígena. Para calcular a dis-
tância geográca entre os bairros (distância enre seus centroides),
foi utilizada a biblioteca geopandas [
2
] do Python, com as coordena-
das geográcas de latitude e longitude do sistema de coordenadas
WGS84 projetadas para o sistema de projeção plana UTMS22s que
traz a projeção mais precisa da região onde se encontra Curitiba.
Na segunda etapa da pesquisa (ainda em andamento), de modo
a investigar os fenômenos urbanos em regiões que não possuem
divisões administrativas acessíveis, assim como compreender o
fenômenos das cidades em diferentes escalas, foi desenvolvida a h3-
cities. Essa ferramenta, produto da presente pesquisa e disponível
publicamente
1
, utiliza o OpenStreetMap e o "Hexagonal hierarchical
geospatial indexing system"
2
(h3) da Uber que subdivide o mundo
todo.
1https://h3-cities.streamlit.app/
2https://h3geo.org/
58
Modelagem do Interesse por Áreas Urbanas Usando Redes Sociais Baseadas em Localização CTIC’2024, Juiz de Fora/MG, Brazil
Considerações éticas: Este trabalho não envolve pesquisas com
seres humanos. Todas as informações sensíveis, por exemplo, os
nomes de usuários, foram anonimizadas previamente para garantir
a privacidade dos usuários. Além disso, são utilizados dados públicos
disponíveis na Web.
4 RESULTADOS
Etapa 1: Ao construir as redes de Interesse para ambas as LBSNs, na
cidade de Curitiba, primeiramente analisou-se a similaridade entre
as duas através da correlação de Pearson. Foram comparados os
pesos das arestas das duas redes obtendo uma correlação de 0,875,
observando-se assim uma forte indicação da similaridade dessas
redes de interesse. Para investigar se os bairros mais importantes
eram os mesmos para as duas redes de interesse, empregou-se a
correlação de Kendall’s Tau. Para isso, construiu-se um ranking dos
bairros, usando a centralidade por autovetor que indica a importân-
cia do nó na rede, comparou-se esse ranking entre as duas redes
obtendo uma correlação de 0,646. Essa comparação pode ser vista
na Figura 3 para os bairros mais importantes de cada rede. Dessa
forma, observou-se uma conexão moderada entre as características
de importância dos bairros para as duas LBSNs.
Figura 3: Comparação dos nós mais importantes de cada rede
Após calcular a diferença entre os bairros de Curitiba para cada
um dos fatores (socioeconômicos, políticos e raciais), estas diferen-
ças foram associadas aos pesos das arestas para ambas as Redes de
Interesse (Google Places e Foursquare). Esse processo foi feito tanto
para a rede completa, como para uma rede ltrada, selecionado ape-
nas as arestas com peso
≥
5, de modo a capturar áreas conectadas
por interesse mais elevado. A correlação de Spearman foi usada
para entender quais desses fatores estão mais associados com o
interesse dos usuários. Foi obtida uma correlação inferior a 0,25
em todos os fatores analisados, exceto a distância geográca, que
apresentou correlações entre -0,3 e -0,55 nos cenários considerados,
ambas com
𝑝≤
10
−4
. Isso indica que os fatores de renda média
mensal, composição racial e polarização política não ajudam a ex-
plicar o interesse dos usuários pelas áreas urbanas, logo as pessoas
não costumam frequentar, necessariamente, lugares que sejam simi-
lares em renda, raça, ou opiniões políticas, quando seus interesses
são modelados por essas LBSNs. Entretanto, a distância geográca
teve um impacto mais relevante, mesmo que moderado, indicando
a preferência dos usuários por regiões que são mais próximas entre
si.
Etapa 2: Como forma de ampliar a análise da etapa 1 para dife-
rentes granularidades, foi desenvolvida a h3-cities cujos resultados
ilustrativos estão na Figura 4. Nela, há uma comparação entre os
bairros de Curitiba e uma subdivisão feita pela ferramenta, com a
resolução 8, ou seja, os hexágonos têm uma área média de 0
,
737
km2
. Com essa ferramenta, é possível dividir os bairros em regiões
menores e vericar se as redes de interesse formadas pelas diferen-
tes LBSNs continuam a apresentar resultados semelhantes. Outra
questão importante ao trabalhar com uma subdvisão customizada
de cenários urbanos é que dados de terceiros, como o IBGE, não
fornecem dados especicamente para essa subdivisão. Isso que pode
ser resolvido usando uma aproximação com dados dos bairros, ou
com a exploração de outras características advindas de datasets ge-
olocalizados, como, por exemplo, as categorias de estabelecimentos
presentes naquela região, para a análise urbana.
Figura 4: Comparação da segmentação de Curitiba através de
bairros e uma subdivisão via h3-cities (resolução 8).
Em termos de produtos gerados pela pesquisa, além da ferra-
menta descrita anteriormente, destacam-se os 3 trabalhos aceitos
para eventos (dois nacionais e um internacional). Os resultados di-
retos da etapa 1, desenvolvidos pelo aluno de IC, foram publicados
em [
15
], cujo impacto foi atestado por um convite para extensão
no periódico JISA, extensão esta que deverá englobar os resulta-
dos diretos da etapa 2. Entretanto, a pesquisa resultou também
em resultados indiretos, através de contribuições na preparação
de dados, construção de guras, e desenvolvimento de parte dos
resultados, que possibilitaram a publicação de outros 2 trabalhos em
eventos [
5
,
6
], os quais exploram o conceito de assinaturas culturais,
através da Teoria Scenes, que com dados provenientes de LBSNs,
pode, por exemplo, tentar expressar as características culturais de
uma dada região. Em [
5
], o trabalho explora o processo de agrupa-
mento de bairros com características culturais (assinatura cultural)
semelhantes na cidade de Curitiba. Este trabalho foi premiado com
o 3o lugar no workshop Courb 2024 e, assim como [
15
], também
recebeu convite para extensão no JISA. Em [
6
], o trabalho explora
a transferência de conhecimento de uma LBSN (Yelps) para outra
(Google Places) na formação das assinaturas culturais, explorando
dados de diferentes cidades ao redor do mundo, e também de todos
59
CTIC’2024, Juiz de Fora/MG, Brazil Santos et al.
os estados americanos. Como forma de validação dos resultados
para os EUA, os dados foram comparados com aqueles obtidos via
American Values Survey (AVS), um resultado desenvolvido pelo
aluno de IC.
5 CONCLUSÃO
Esse artigo apresentou um resumo do estudo desenvolvido sobre a
modelagem do interesse de usúarios de redes sociais por diferentes
áreas urbanas. Para isso, foi realizada na primeira etapa da pesquisa
uma investigação na cidade de Curitiba usando redes de interesse,
i.e. Location-Based Social Networks (LBSNs) modeladas em grafos.
Nos experimentos observou-se similaridade na modelagem do com-
portamento urbano, a partir de duas fontes de dados diferentes,
Google Places e Foursquare, em particular quando se consideram
as arestas, e os nós mais centrais das respectivas redes de interesse.
Ainda na primeira etapa da pesquisa, investigou-se a possibili-
dade de entender as escolhas dos usuários de LBSNs, em relação
ao seu interesse por regiões urbanas, usando características socioe-
conômicas, de polarização política e distância geográca das áreas
frequentadas por esses usuários. Com isso, concluiu-se que a dis-
tância geográca foi o único fator associado com o interesse dos
usuários, mesmo que de forma moderada. Ou seja, regiões próximas
costumam ser mais frequentadas pelos mesmos usuários do que
regiões mais distantes.
Na última etapa que ainda se encontra em andamento, com o de-
senvolvimento da h3-cities, se torna possível a construção de redes
de interesse em diversas cidades. Por exemplo, obtendo-se dados
de uma LBSN, como os datasets públicos usados para este trabalho,
pode-se investigar o interesse dos usuários, sem precisar buscar
pelas subdivisões de uma cidade, o que pode ser difícil dependendo
da região estudada. Ao segmentar qualquer cidade, que tenha dados
disponíveis no OpenStreetMap, permite-se averiguar como o com-
portamento dos usuários varia sob diferentes granularidades. Logo,
essa ferramenta alavanca um estudo padronizado para o cenário
urbano.
Para trabalhos futuros, prevê-se a possibilidade de investigar
outras cidades, datasets de outros períodos, além de explorar os
efeitos provocados por diferentes granularidadades na denição
das áreas urbanas e validar os resultados aqui apresentados, desen-
volvidos com uma quantidade de dados pequena, em datasets de
maior escala. Dessa forma, seria possível analisar como os dados de
diferentes LBSNs são inuenciados pelo espaço temporal e escalas
geográcas na modelagem do comportamento urbano, e ainda infe-
rir quais características ajudam a explicar o interesse dos usuários
pelas diferentes áreas urbanas.
6 AGRADECIMENTOS
Esta pesquisa foi apoiada pelo trabalho da mestranda Fernanda
Gubert, pelo projeto FAPESP SocialNet (2023/00148-0) e CNPq
(313122/2023-7, 314603/2023-9 e 441444/2023-7).
REFERÊNCIAS
[1]
Zhiyuan Cheng, James Caverlee, Kyumin Lee, and Daniel Sui. 2021. Exploring
Millions of Footprints in Location Sharing Services. Proc. of ICWSM 5, 1 (Aug.
2021), 81–88.
[2] Kelsey Jordahl et al. 2020. geopandas/geopandas: v0.8.1.
[3]
Ana P.G. Ferreira, Thiago H. Silva, and Antonio A.F. Loureiro. 2020. Uncovering
spatiotemporal and semantic aspects of tourists mobility using social sensing.
Computer Communications 160 (2020), 240–252.
[4]
Ana Paula G. Ferreira, Thiago Henrique Silva, and Antonio Alfredo Ferreira
Loureiro. 2015. Beyond Sights: Large Scale Study of Tourists’ Behavior Using
Foursquare Data. In Proc. of ICDMW. 1117–1124.
[5]
Fernanda Gubert, Gustavo H. Santos, Myriam Delgado, Daniel Silver, and Thi-
ago H Silva. 2024. Criação de Assinatura Cultural de Áreas Urbanas com Estabe-
lecimentos Geolocalizados na Web. In Proc. of Courb. Niteroi, RJ, 1 – 14.
[6]
Fernanda R Gubert, Gustavo H. Santos, Myriam R. B. S. Delgado, Daniel Silver,
and Thiago H Silva. 2024 (to appear). Culture Fingerprint: Identication of
Culturally Similar Urban Areas Using Google Places Datas. In Proc. of Asonam.
Cosenza, Italia, 1 – 11.
[7]
Ruining He, Wang-Cheng Kang, and Julian McAuley. 2017. Translation-based
Recommendation. In Proceedings of the Eleventh ACM Conference on Recommender
Systems (RecSys ’17). ACM.
[8]
Peng Huang and Carter T. Butts. 2023. Rooted America: Immobility and Segrega-
tion of the Intercounty Migration Network. American Sociological Review 88, 6
(Nov. 2023), 1031–1065.
[9]
Lucas Ladeira, Allan Souza, Geraldo Rocha Filho, Thiago Henrique Silva, and
Leandro Villas. 2019. Serviço de Sugestão de Rotas Seguras para Veículos. In
Anais do XXXVII SBRC (Gramado). SBC, Porto Alegre, RS, Brasil, 608–621.
[10]
Xi Liu, Clio Andris, and Bruce A. Desmarais. 2019. Migration and political
polarization in the U.S.: An analysis of the county-level migration network. PLOS
ONE 14, 11 (Nov. 2019), e0225405.
[11]
Pablo Martí, Leticia Serrano-Estrada, and Almudena Nolasco-Cirugeda. 2019.
Social media data: Challenges, opportunities and limitations in urban studies.
Comp., Envir. and Urban Systems 74 (2019), 161–174.
[12]
Almudena Nolasco-Cirugeda and Clara García-Mayor. 2022. Social dynamics
in cities: Analysis through LBSN data. Procedia Computer Science 207 (2022),
877–886.
[13]
Rajiv Pasricha and Julian McAuley. 2018. Translation-based factorization machi-
nes for sequential recommendation. In Proceedings of the 12th ACM Conference
on Recommender Systems (RecSys ’18). ACM.
[14]
Ville Santala, Sandro Miczevski, Saulo A de Brito, Ariane Lao Baldykowski,
Tatiana Gadda, Nadia Kozievitch, and Thiago H Silva. 2017. Making Sense of
the City: Exploring the Use of Social Media Data for Urban Planning and Place
Branding. In Anais do I COURB (Belém). SBC, Porto Alegre, RS, Brasil.
[15]
Gustavo H. Santos, Fernanda Gubert, Myriam Delgado, and Thiago H Silva. 2024.
Redes de Interesse: comparando o Google Places e Foursquare na captura da
escolha de usuários por áreas urbanas. In Proc. of Courb. Niteroi, RJ, 1 – 14.
[16]
Helen C. Mattos Senefonte, Myriam Regattieri Delgado, Ricardo Lüders, and
Thiago H. Silva. 2022. PredicTour: Predicting Mobility Patterns of Tourists Based
on Social Media User’s Proles. IEEE Access 10 (2022), 9257–9270.
[17]
Thiago H. Silva, Pedro O. S. Vaz de Melo, Jussara M. Almeida, and Antonio A. F.
Loureiro. 2017. Uma Fotograa do Instagram: Caracterização e Aplicação. Revista
Brasileira de Redes de Computadores e Sistemas Distribuídos (2017).
[18]
Thiago H. Silva, Pedro Vaz de Melo,Jussara Almeida, Mirco Musolesi, and Antonio
Loureiro. 2017. A large-scale study of cultural dierences using urban data about
eating and drinking preferences. Information Systems 72, Supplement C (2017),
95 – 116.
[19]
Thiago H Silva and Antonio AF Loureiro. 2016. Computaçao urbana: Técnicas
para o estudo de sociedades com redes de sensoriamento participativo. Sociedade
Brasileira de Computação (2016).
[20]
Thiago H Silva and Daniel Silver. 0. Using graph neural networks to predict local
culture. Environment and Planning B: Urban Analytics and City Science 0, 0 (0).
[21]
Thiago H. Silva, Pedro O. S. Vaz de Melo, Jussara M. Almeida, Juliana Salles,
and Antonio A. F. Loureiro. 2013. A comparison of Foursquare and Instagram
to the study of city dynamics and urban social behavior. In Proc. ACM SIGKDD
UrbComp’13. Chicago, USA.
[22]
Thiago H. Silva, Aline Carneiro Viana, Fabrício Benevenuto, Leandro Villas,
Juliana Salles, Antonio Loureiro, and Daniele Quercia. 2019. Urban Computing
Leveraging Location-Based Social Network Data: A Survey. Comput. Surveys 52,
1 (Feb. 2019), 1–39.
[23]
Daniel Silver and Thiago H. Silva. 2023. Complex causal structures of neigh-
bourhood change: Evidence from a functionalist model and yelp data. Cities 133
(2023), 104130.
[24]
Lucas E.B. Skora, Helen C.M. Senefonte, Myriam Regattieri Delgado, Ricardo
Lüders, and Thiago H. Silva. 2022. Comparing global tourism ows measured by
ocial census and social sensing. Online Social Networks and Media 29 (2022),
100204.
[25]
David A. M. Veiga, Gabriel B. Frizzo, and Thiago H. Silva. 2019. Cross-cultural
study of tourists mobility using social media. In Proc. of WebMedia (Rio de Janeiro,
Brazil) (WebMedia ’19). ACM, 313–316.
60
