Jul, 2023

城市区域嵌入的区域关注多视角表示学习

PDF
TL;DR通过多视图表示学习，我们提出了一种区域化多视图表示学习（ROMER）方法，用于捕捉多视图依赖关系并学习表达性强的城市区域表示。我们的模型关注于从多源城市数据中学习城市区域表示，通过捕捉流动模式、兴趣点语义和签到动态等多视图相关性，采用全局图注意力网络学习图中任意两个顶点的相似度，并进一步提出了一个两阶段融合模块来综合考虑和共享多视图嵌入的特征。对真实世界数据集上的两个下游任务进行的大量实验证明，我们的模型性能优于现有方法，改进了最高达 17%。
发现论文，激发创造
  • 基于多图表示学习框架的城市区域剖析

    提出了一种名为 Region2Vec 的多图表示学习框架，用于城市区域分析，可以捕捉地理上下文信号和区域间的联系，同时用于表示区域内部信息的知识图谱。使用编码器 - 解码器多图融合模块来联合学习综合表示。在现实世界数据集上的实验证明，Region2Vec 可以在三个应用程序中使用，并优于所有其他基线。特别地，Region2Vec 在具有高方差社会经济属性的区域中的表现优于先前的研究。

    Feb, 2022

  • 基于多视角对比预测的城市区域嵌入

    本文提出了一种利用多模态数据学习城市区域表示的多视图对比预测模型（ReCP），该模型利用兴趣点和人类流动数据中的多个信息视图，通过内视图学习模块和相互视图学习模块实现对城市区域的一致性和连贯性表示，实验证明该模型在城市区域表征学习中明显优于现有基线方法。

    Dec, 2023

  • 具有注意融合的城市区域表示学习

    提出了一种名为 HAFusion 的新型模型，通过融合不同区域特征的嵌入来学习区域之间和不同类型区域特征之间的高阶相关性，实现了对城市区域表征的学习， 在三种不同的预测任务中，HAFusion 模型优于现有方法，利用学习得到的区域嵌入可以使预测准确率提高至多 31%。

    Dec, 2023

  • Urban2Vec：结合街景图像和兴趣点的多模态城市社区嵌入

    本文提出了一种无监督的 Urban2Vec 多模态框架，利用街景图像和兴趣点数据来学习社区嵌入，使得该模型在下游预测任务中取得了比基线模型更好的性能，并在三个美国大都市地区的广泛实验中展现了模型的可解释性、泛化能力和在社区相似性分析中的价值。

    Jan, 2020

  • 多视角文档表示学习在开放域密集检索中的应用

    本文提出了一种多视角文档表示学习框架，通过生成多个视图嵌入来表示文档，并通过全局 - 局部 loss 函数来防止多视图嵌入坍塌到同一个嵌入中，实现了稳定性的匹配，在密集检索方面取得了最新的成果。

    Mar, 2022

  • 增强都市区域推断：对抗自监督学习

    基于自监督图协作过滤模型的城市区域嵌入，通过 GCNs 和多头注意力以及空间扰动增强和对抗训练，优化了区域嵌入的语义表示，实验结果表明该模型优于现有方法。

    Feb, 2024

  • 城市区域嵌入的多图融合网络

    本文提出了一种名为多图融合网络（MGFN）的模型，通过人类移动数据的地理位置相似性融合模块，将人类移动数据的多种模式嵌入到该模型中，这有助于进行交叉领域的预测任务，如犯罪预测，并在实际城市数据集上进行了广泛的实验，结果表明，MGFN 模型优于现有技术方法，最大提高了 12.35％。

    Jan, 2022

  • 区域增强的特征学习用于场景语义分割

    本文提出了一种基于区域的特征强化网络 (REFL-Net)，将点云表示为区域来减少计算压力，并设计了以区域为基础的特征强化模块 (RFE) 来提高模糊点的特征表示，实现了强大的长程上下文建模和领域泛化能力。实验结果显示，REFL-Net 在 ScanNetv2 和 S3DIS 数据集上均达到了显著的增益。

    Apr, 2023

  • 多视角知识图谱推理

    本文提出了一种基于知识表示学习的多视图知识图谱的逻辑查询解决方法，其中将多视图知识图谱建模为多个互相覆盖的子图，支持复杂的逻辑查询和大规模知识图谱，具有较好的实验效果。

    Sep, 2022

  • 学习具有异构图的地理空间区域嵌入

    Geospatial embeddings are crucial for city analytics and earth monitoring, but learning comprehensive region representations is challenging; this paper introduces GeoHG, an effective heterogeneous graph structure, to learn region embeddings by addressing intra-region feature representation and inter-region dependencies, demonstrating superior performance in geo-prediction tasks even with limited training data.

    May, 2024