May, 2024

学习具有异构图的地理空间区域嵌入

PDF
TL;DRGeospatial 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.
geospatial embeddingscomprehensive region representationsgeohgheterogeneous graph structureinter-regional relationships
发现论文，激发创造
  • 通过异构图对比学习联合学习地图实体表示

    HOME-GCL 提出了一种新方法，利用异构地图实体图（HOME 图）将道路段和土地分割统一到一个框架中，并引入了两种对比学习任务，即内部实体和跨实体任务，以自我监督的方式训练编码器。大规模数据集上的实验证明，HOME-GCL 在道路段、土地分割和轨迹任务方面具有优越性，并以统一模型共同学习道路段和土地分割的表示。

    Feb, 2024

  • 异构图嵌入综述：方法、技术、应用和来源

    本文综述了近年来异构图嵌入方法和技术的发展，并系统地归类了各种学习方法来解决异构性带来的挑战，探索了不同类型的应用中使用嵌入方法的可行性，总结了开源代码、现有的图学习平台和基准数据集，预测了未来的研究方向。

    Nov, 2020

  • 自动化时空图对比学习

    本文介绍了一种 Automated Spatio-Temporal graph contrastive learning（AutoST）的方法，在考虑到多视图数据源的情况下，结合异构图神经架构，通过参数化的对比视图生成器来设计自动的时空增强方案，以解决数据噪声、分布异质性等问题，并进行对比实验以验证其效果。

    May, 2023

  • SE-KGE: 一种面向地理问答和空间语义提升的位置感知知识图谱嵌入模型

    本研究提出了一种称为 SE-KGE 的位置感知知识图嵌入模型，该模型通过将地理实体的点坐标或边界框直接编码到 KG 嵌入空间中来处理空间信息，并在 DBGeo 数据集上对其进行了评估。结果表明，此模型在地理逻辑查询回答任务上优于多个基线，并引入了一种称为空间语义提升的新型下游任务，该任务通过某些关系将研究区域中的任意位置链接到 KG 中的实体。

    Apr, 2020

  • 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

  • 知识图谱的全息嵌入

    本文提出一种名为 HoloE 的方法用于学习整个 knowledge graph 的综合空间表示，通过循环相关性来创建组合表示，从而在 link prediction 和 relational learning 等方面超越现有技术。

    Oct, 2015

  • 基于异构图嵌入的无监督中文摘要提取

    本文提出了首个基于异构图嵌入的无监督抽取式摘要方法，构造异构文本图以捕捉不同粒度的交互，并取得了在三个摘要数据集上的一致优异结果。

    Nov, 2022

  • 利用多视角知识图谱嵌入实现文化遗产地理定位

    本文提出了一种从各种数据源吸收文化遗产实体及其连接的多跳知识到地理本地化 KG 中的框架，并提出了一种基于地理及知识连接的文化遗产实体间相对距离的多视图学习模型。

    Sep, 2022

  • PolygonGNN：多边形几何的异构可视图表示学习

    通过引入一个综合框架，该研究主要关注多边形几何图形的学习表示，特别是多重多边形，并采用异构可见性图来捕捉内部和多个多边形之间的关系，同时提出了一个旋转 - 平移不变的几何表示方式，并设计了适用于多重多边形的新型模型 Multipolygon-GNN。实验证明该模型能够获取多边形几何图形的相关表示。

    Jun, 2024

  • 利用基于区域的图神经网络进行知识图谱的可微分推理

    在这篇论文中，我们提出了一种基于顺序约束的简单模型 RESHUFFLE，能够比现有方法更好地捕捉规则，同时在我们的框架中嵌入可以通过可微分的图神经网络（GNN）进行学习，从而具有更高的效率。

    Jun, 2024