空间嵌入

p{text-indent:2em} 空间表征学习之Tile2Vec 【摘要】 【原文】 【DOI】

空间表征学习之Space2Vec 【摘要】无监督文本编码模型最近推动了自然语言处理的实质性进展。其关键思想是使用神经网络将文本中的词转换为基于单词位置及其上下文的向量空间表示（ 词嵌入 ），进而用于下游任务的端到端训练。我们在空间分析中看到了惊人的相似情况，即空间分析侧重于将地理对象（ 如：POI点 ）的绝对位置和空间上下文纳入模型。一个通用的空间表征模型对于许多任务都是有价值的。然而，迄今为止，除了简单地将离散化或前馈网络应用于坐标之外，还没有这样通用的模型存在，并且很少有努力对具有非常不同特征的分布进行联合建模，而这些特征经常出现在地理信系统数据中。神经科学领域诺贝尔奖得主的研究表明，哺乳动物的网格细胞（Grid Cell）提供了一种多尺度、周期性的位置编码表示，对于动物识别位置和寻找路径至关重要。因此，我们提出了一个称为 Space2Vec 的空间表征学习模型来编码地点（Place）的绝对位置和空间关系。我们对两个不同任务在两个真实世界的地理数据上进行实验：1）在给定位置和上下文的情况下预测 POI 点的类型；2）利用POI点的地理位置进行图像分类。结果表明，由于Sp ...

p{text-indent:2em} 空间表征学习之Place2Vec 【摘要】理解、表示和推理POI点的类型是地理信息检索、推荐系统、地理知识图谱以及研究一般城市空间的重要方面（例如：从用户生成内容中提取功能性或模糊性认知区域的任务）。这些任务的先决条件之一是能够捕捉POI点类型之间的相似性或相关性。直觉上，当人们搜索汽车维修点时，即使没有精确的匹配结果，返回汽车美容店甚至加油站仍然可能满足一些用户需求，但返回天文馆则不会。也就是说，POI点类型的层次结构常用于扩展或者联想查询。但大多数现有POI点类型的层次结构较浅，并且往往结构是人为设计确定的，造成在某些特征方面可能密切相关的POI点类型被分开了，进而影响了扩展或联想查询的效果。这就引出了如何从数据中学习POI点类型表示的问题。近年，自然语言处理领域的词嵌入（如Word2Vec）对于词相似性表征发挥了重要作用，为POI点类型的表征提供了思路。但地理空间结构（如POI点类型间的相互作用）与语言学有很大不同，不能直接套用。本文提出了一种新方法来增强POI点类型的空间上下文，使用距离分割和信息论方法来生成嵌入。我们证明，该工 ...