随着互联网技术的飞速发展,以及智能移动终端的普及,社交网络逐渐融入人们的日常生活中,社交网络也成为了人们之间沟通分享最重要的平台。在海量的社交网络数据中包含着大量有价值的信息,包括人物、时间、地点、事件以及情感等。在社交网络结构化和非结构化数据中,蕴含这大量显式及隐式的地理信息,这些信息对提供地理信息服务,及构建地理知识图谱起着重要作用。基于社交网络数据构建的地理知识图谱不仅能提供地理知识服务,也能针对特定目标,如人物、事件等,刻画其行为轨迹,为舆情监控分析、突发事件监测等提供数据支持。本文的主要研究工作及成果包括:(1)对基于地理信息抽取任务驱动的社交网络数据的获取及预处理方法进行了研究与实现。本文研究了社交网络数据特征,结合地理信息抽取任务的自身特点,提出了一个用于地理信息抽取任务测试的数据获取及预处理方法,并据此从Twitter平台爬取了约两千万条实验数据,最终构建了一套高质量的社交网络测试数据集。(2)构建了面向社交网络数据的地理信息抽取模型。本文根据社交网络数据结构特点,构建了一个地理信息抽取模型以抽取社交网络中设备数据及内容数据中蕴藏的地理信息,其中本文设计了一个深度神经网络及多Attention机制提高了模型对内容数据部分的地理信息抽取效果。(3)对模型抽取效果进行了实验分析。本文设计了两组对比实验,分别对模型各组成部分的抽取有效性,以及深度神经网络及多Attention机制在模型中的作用进行了实验验证。实验结果表明,在本文构建的数据集上,模型各部分均能有效抽取地理信息,抽取模型抽取准确率超过30%,深度学习技术在很大程度上提高了模型的抽取能力,并且利用多Attention机制优化的网络抽取效果优于带单Attention机制网络和无优化网络。