• me dais ascooooikiiikioooooooooooooooooooooooooo
• kina ñefla
• ns cmo s exribe
• o indeciso, nse ya x dnde cogerte colega
• q os follennjajabya quisieran
• en el metro q voy esta potando uno
• _USR 😂😭💔☹️😰 pero por qué churra

• pofr suerxte m8ís amigo mo son psicópatassa
• pal pinnngooo
• _USR estos rompen todo! y la esposa del chorro me tiró en la cara q era planera, 5 hijos tiene. me grita: vos seguí alquilando! decí q no la agarro de los pelos x mi hijo q no le gusta el bardo.
• y dsp se comió un asado, moooy booeno👌👌🤣😂
• mi hno se pone re denso no lo banco

• _USR ahora si! #achingarasumadre nefasto, corrupto y ratero, por mucho eres el peor alcalde que ha tenido _USR
• ya me ando echando la primera ca** del año
• _USR acá ya andaban con “la chica que soñé”
• _USR ¿no se te olvidó ponerte calzones rojos hoy, verdad?
• un minuto de silencio por los que se estan reventando los dedos y las manos con los cohetes !!!

Se colectaron mensajes georeferenciados de 2016 a 2019 usando el API de stream público de Twitter.

Necesitamos una matriz de afinidad, como lo hicimos con el caso léxico, pero los embeddings de diferentes regiones no son comparables entre sí.

Para calcular la similitud usamos una representación que extrae información semántica basada en el grafo de los \(k\) vecinos cercanos. Esto soluciona el problema de comparación, pero aumenta los requerimientos de computo.

• Recordando, cada palabra es un punto en \(300\) dimensiones.
• La distancia entre puntos se mide usando \(1 - cos(u, v)\).
• Cada región es una nube de puntos (palabras).
• Uso de un vocabulario restringuido (preservar tokens que aparecen en al menos 10 regiones); esto también reduce el problema de la disparidad de datos entre diferentes corpus.
• Uso de herramientas especiales para la construcción de la gráfica de \(k\) vecinos (\(k=33\)).
• Cada región se representa en un vector disperso de muy alta dimensión, i.e., \(10^{10}\) componentes con \(\approx{}3.8\) millones de componentes diferentes de zero. Se mide nuevamente con distancia coseno, pero con los vectores resultantes.

• Tomamos mensajes georeferenciados enero-febrero 2020.
• Seleccionamos los emoji objetivos entre los más populares en español: 🥺, ❤, 👌, 👏, 💔, 😄, 😊, 😌, 😍, 😒, 😘, 😡, 😢, 😭, 🤔.
• Para cada región seleccionamos mensajes con solo uno de estos emoji.
• El emoji en cuestión se reemplaza por la cadena _emo y se usa como etiqueta.
• Partición 50-50 por cada región, se reporta micro recall.
• Usamos fastText supevisado con cada uno de los modelos regionales como preentrenados – all vs all.

• Aplicaciones y medir impacto.
• Modelos robustos para identificación de regiones.
• Reducir recursos computacionales.
  • Uso de un solo modelo con diferentes niveles de abstracción.
  • Creación de modelos menos costoso.
• Enriquecer los corpus más pequeños.
• Otros lenguajes (inglés, ruso, árabe, etc… o regionales con pocos datos).
• ¿Se puede usar Hausdorff u otras distancias para nubes de puntos para la comparación de regiones?.