关键词： 初中生   正念   学业自我效能感   生命意义感   学习倦怠  

摘要： 初中生阶段是由心智未完全发育到心智成熟的关键阶段,随着从小学生到初中生的新角色转换,面临着所学科目的增多以及各种各样的考试,在学习方面出现身心俱疲,师生、同伴关系不和谐,自信心下降,成就感降低,厌学、逃学以及其他一系列不良学习表现,均可使他们产生学习倦怠。在对学生进行教育和管理时,要重视学习倦怠的问题并采取相应对策,从而促进他们身心健康发展。学习倦怠的程度会影响到学生的学习效率和学习成绩,进而会影响其学业自我效能感水平。正念作为目前积极心理学的一个热点概念,能够改善个体的认知水平,影响个体的情绪。大量研究也证实了正念水平会负向预测个体的学习倦怠。生命意义感是个体对于自我意义和自我体验的感知。生命意义感有利于身心健康,能使人明确人生目标,坚定个体的自信心和勇气。本研究通过探讨正念、学习倦怠、学业自我效能感和生命意义感四者的关系,并且通过生命意义感训练来调节情绪,促进学生正念水平发展的同时提升学业自我效能感,进而缓解其学习倦怠的产生。本研究分为两个部分,第一部分采用问卷法,选取江西省和吉林省的初中生为研究对象,对调查对象的正念水平、学习倦怠、学业自我效能感以及生命意义感程度进行描述性统计,采用独立样本t检验的方法对被试的正念水平,学习倦怠,学业自我效能感以及生命意义感四个变量在人口统计学变量进行差异性分析,在此基础上进行了相关分析以及学业自我效能感和生命意义感的中介作用。第二部分以研究一的结果为基础,对初中生的生命意义感进行干预研究,选出实验组和对照组,对实验组进行团体辅导干预。通过配对样本t检验,将采集的数据分别在实验组与对照组之间,以及对实验组前后测,对照组前后测进行差异对比,验证干预结束后的效果。该研究得出了以下结论:(1)初中生的学习倦怠处于中上等水平,且在年级、户籍所在地以及是否为班干部这几个变量上存在显著差异(P<0.001)。(2)初中生的正念处于中等水平,且在年级、户籍所在地、是否是独生子女以及是否为班干部这几个变量上存在显著差异(P<0.001)。(3)初中生的生命意义感处于中等的水平,在户籍所在地、班级干部这两个变量上存在显著差异(P<0.001)。(4)初中生的学业自我效能感处于中等水平,且在年级、户籍所在地以及是否为班干部这几个变量上存在显著差异(P<0.001)。(5)初中生的正念与生命意义感与学业自我效能感有显著的正相关,与学习倦怠存在显著负相关。生命意义感和学业自我效能感之间存在显著相关,与学习倦怠存在显著负相关;学业自我效能感和学习倦怠之间存在显著负相关。(6)生命意义感和学业自我效能感在正念与学习倦怠间分别起部分中介的作用,生命意义感,学业自我效能感两个变量在正念与学习倦怠之间起链式中介作用,相对中介效应分别为15.15%,7.58%和10.61%。(7)生命意义感训练能进一步地提升学生的学业自我效能感的同时也可以缓解学习倦怠,继而提高学习效率和学习成绩。

关键词： 时态知识图谱   表示学习   时态链接预测   长短期记忆网络   图注意力网络   复制机制网络  

摘要： 随着知识图谱(Knowledge Graph,KG)中时间信息的不断丰富,时态KG得到了广泛普及,对时态KG表示学习方法的研究逐渐成为学术热点。研究证明,KG嵌入技术,即把实体/关系映射到低维向量空间中,将其表示为稠密实值向量,能够有效地解决链接预测问题。经典KG存储着缺乏时间信息的静态事实,经典KG表示学习方法只能对静态事实进行学习,无法对时态性事实进行有效处理。时态KG中的关系型事实往往表现出时间动态性,而时态KG表示学习能够处理时态性事实并有效解决时态知识图谱的时态链接预测问题。时态链接预测可以划分为两个子任务:内推(补全知识图谱中可能缺失的事实)和外推(预测未来时刻下的事实)。面向内推的时态KG表示学习方法大多是基于静态方法进行时态扩展,简单地将三元组事实时态扩展为四元组事实,且只对单个事实中实体/关系信息进行学习。虽然考虑了事实的时间信息,但在对时间信息的建模上,可解释性较弱,且没有考虑到事实上下文之间的相互影响。此外,现有时态KG表示学习模型大都不能预测即将发生的事实,很少有研究工作提出专为解决外推问题而设计的模型。 (1)针对内推问题,本研究工作提出一个基于编码器-解码器架构的时态KG表示学习模型T-GAE,其编码器由一个LSTM(Long Short Term Memory,长短期记忆网络)层和一个GAT(Graph Attention Network,图注意力网络)层组成。为了融合时间信息,使用LSTM网络层学习时态感知的关系嵌入。为了捕获时态事实之间的复杂交互信息,将原始实体嵌入和时态感知的关系嵌入作为GAT网络层的输入,利用GAT层学习中心实体邻域的实体和关系特征。此外,选择Conv KB模型作为解码器,其本质上是一个评分函数,对预测出的时态事实进行排序,以完成时态知识补全任务。经过实验分析,验证了T-GAE模型的有效性,实验结果表明该模型明显优于现有的时态知识补全的基线方法。 (2)针对外推问题,本研究工作提出一个基于深度自回归结构并联合复制机制的时态KG表示学习模型DAu CNet。该研究工作以静态子图谱快照的方式对时态KG进行建模,即以给定的时间单元将时态KG进行划分。具体地,本研究工作提出使用一个以概率参数化的方式来编码事实的时态事实编码器以及一个基于复制机制的重复事实收集器用于识别和收集历史重复事件,并提出应用异质邻域聚合器以捕获并发时间窗口下的全局图特征和实体/关系特征。最后,DAu CNet将各个模块进行联合以预测未来可能发生的事实,有效地解决外推问题。通过多组对比实验,验证了DAu CNet在未来时间戳下进行时态链接预测任务的优越性能。

关键词： 三轮机动人力车   机器学习   斯皮尔曼相关   摩托车事故   随机参数Logit模型   时间不稳定性  

摘要： 交通安全正在快速发展为一个全球性问题,这也是巴基斯坦当地管理者和决策者真正关心的问题。在巴基斯坦,过去十年来交通工具数量急剧增长,尤其是弱势交通工具(摩托车和三轮机动人力车)。对现有文献的分析表明,三轮机动人力车和摩托车碰撞造成的损伤严重程度很少在当地得到解决,这也是为什么本研究针对VRU的两个不同群体(摩托车和三轮机动人力车)进行损伤严重程度分析的原因。本研究采用机器学习和统计建模的方法来实现以下三个目标。 首先,本文提出了一种整体的机器学习框架,用于研究三轮机动人力车(3W-MR)的损伤危险因素并建立损伤严重程度模型。巴基斯坦主要的客运和小规模货物运输方式是3W-MR。尽管3WMR在巴基斯坦是一种重要的交通方式,但对于识别3W-MR事故损伤严重程度的因素方面所做的工作很少。碰撞损伤严重程度分析的主要目的是为了了解影响损伤严重程度危险因素和环境之间的相关性。本研究采用的危险程度分析识别算法有基于机器学习的决策森林(Decision jungle,DJ)、随机森林(Random Forest,RF)和决策树(Decision Tree,DT)。本研究的数据为2017-2019年某地的碰撞数据。实验结果表明,在基于分层的10倍交叉验证方法中,DJ的总体准确率为83.7%,优于DT和RF。此外,spearman相关性分析表明,照明条件、年轻驾驶员(20至30岁)、限速设施(超过60英里/小时)、工作日、非高峰和晴朗的天气条件等因素更有可能加重3W-MR撞车事故的损伤严重程度。本文基于RF提取决策规则,这些规则强调了未来可能导致碰撞伤害严重程度结果的情况。 本论文的第二个目标是通过采用随机参数logit模型来识别与摩托车骑手伤害严重程度相关的关键风险因素。为了校准模型,摩托车骑手伤害严重程度的阈值被分类为无伤、轻微伤、重伤和致命伤。在摩托车骑手伤害严重程度分析中,主要考虑了车辆碰撞特征、天气条件、骑手属性和其他社会人口统计学因素的影响。研究结果表明,发生在工作日、涉及年龄超过50岁的骑手、摩托车与乘用车和重型车辆碰撞、女性作为后座乘客以及超速行驶的事故会增加严重和致命伤的风险。 本文的第三个目标是研究佩戴头盔和未佩戴头盔摩托车手碰撞损伤严重程度的差异,并强调时间变化及其影响。从巴基斯坦拉瓦尔品第当地应急服务机构RESCUE 1122收集了三年(2017–2019)的摩托车碰撞数据。采用具有均值和方差异质性的随机参数logit模型来预测戴头盔和未戴头盔摩托车碰撞的关键影响因素。模型估计结果显示,头盔佩戴与不佩戴对摩托车手损伤严重程度的影响存在显著差异。对于佩戴头盔的摩托车手来说,与伤害严重程度增加和致命伤害显著相关的关键因素包括年轻骑手(20岁以下)、女性后座骑手、与另一辆摩托车、大卡车、客车的碰撞、50岁及以上的司机。相比之下,对于不佩戴头盔的摩托车手来说,造成严重伤害和死亡的关键因素是分心驾驶(在U型转弯时发生的两起摩托车碰撞、工作日的撞车事故)以及司机年龄超过50岁。预测摩托车骑手伤害严重程度参数的影响在时间上呈现出显著的变化和不稳定性,具有统计学上的显著性。 该论文的研究结果可以为道路安全机构提供必要的指导,特别是在研究区域内,以便主动采取适当的对策来控制与三轮摩托车和未佩戴头盔的摩托车有关的道路安全问题

关键词： 安全感知   性别差异   街景图像   机器学习   公民科学  

摘要： 街道是城市安全治理和城市设计的一个重要对象,但街道的设计很少考虑到可能的性别差异。在环境心理学等领域,研究人员已经证实了环境的安全感知存在性别差异,即女性对环境的安全感整体弱于男性。所以安全感知是一个包容性的要求,传统的以混合性别或男性为主体人群的评价无法完全满足女性的安全需求。此外,这类研究中涉及的问卷调查和访谈方法是费时费力的,研究尺度也受到很强的局限性,无法进行大规模尺度的城市安全评估。因此,如何准确、有效地评估城市尺度街道环境的安全感是本研究试图探索的问题。 本研究以广州市中心城区为例,提出了一种基于街景图像(SVI)数据和机器学习(ML)方法分析城市安全感知中性别差异的思路。首先,本研究招募了60名志愿者对SVI进行评分,分为女性、男性和混合性别三组。接着,采用回归分析探究主要影响女性和男性安全感知的视觉要素;同时,研究采用女性、男性和混合性别人群的评价数据建立ML模型,进而预测其余SVI的安全分数,并依次创建每组的安全感分数地图。最后,研究将女性和男性的安全感知差异进行空间可视化,发现出现差异的具体位置并描绘差异场景的画像。 本研究发现:1)主要影响两性安全感知的视觉要素是高度相同的。例如,两性的安全感知都重点关注街道中的建成环境活力和可步行性等相关的视觉要素,这些视觉要素的影响力度都是较强的;但部分视觉要素存在差异。2)在女性、混合性别和男性群体的安全感分数地图中,三组分数结果的空间分布几乎完全一致,但其中分别有约63%、47%和23%区域的分数是低于安全感满意门槛。3)安全分数越差的场景,两性的安全感知差异也越大;这些场景的画像为荒凉的场所、视觉要素复杂、绿色植被占比较弱、以及无人维护环境等。而随着安全分数的提高,两性的安全感知差异逐渐消失。 本研究从性别视角进一步探究了街道安全评价和改造两个方面的内容,这将为城市管理者、城市规划师和景观设计师提供街道安全评估和改进方面的信息,并为创建包容性的街道环境提供支持。

关键词： 脊柱骨折   机器学习   死亡率   重症监护病房   预测模型  

摘要： 目的:关于重症监护病房中脊柱骨折患者的严重性评价标准极少,直至目前,除了我们的成果外,尚未有其他人在预测脊柱骨折患者的院内死亡方面做出相关研究。因此,我们当前研究的目的旨在利用患者入院24小时内的各项临床指标评估患者的严重性,做出患者院内死亡风险概率的预测,从而尽早的识别高危患者,指导临床实践。方法:我们的患者来源于两个大型的重症医学数据库,分别是MIMIC-III(Medical Information Mart for Intensive Care version III)数据库和e RI(e ICU Research Institute Database)数据库。我们通过疾病诊断代码来识别诊断为脊柱骨折的患者,并删除重复的入院记录。本研究采集了患者人口学特征、实验室检查、共患病和各项评分系统这四大方面的数据。通过对比死亡组和存活组之间各项指标的统计学差异,以及正则化方法进行降维,最后通过临床经验筛选出有意义的临床特征进行建模。我们使用MIMIC-III数据库作为训练集(内部验证集),使用e RI数据库作为验证集(外部验证集),我们开发并验证了六种流行的机器学习算法,分别是:k邻近算法,随机森林,极限梯度提升,逻辑回归和神经网络。根据模型的内部和外部验证结果,我们进行了数据可视化,并筛选出最佳的模型。考虑到医疗行业的特殊性,我们还进行了模型可解释性分析。结果:最后一共1512名患者纳入本研究中,其中MIMIC数据集纳入1190名患者,117名患者发生院内死亡,死亡率9.83%;e RI数据集中纳入322名患者,25名患者死亡,死亡率7.76%。经过上述方法的筛选,最后我们一共纳入20个临床变量进入模型训练中。模型验证的结果表明,综合来看,无论是内部验证还是外部验证,随机森林算法的表现较为稳定且优秀,其内部验证和外部验证的AUC值分别是0.77和0.73。在可解释性分析中,该模型最重要的三个变量是:体温、平均动脉压和年龄,其他的可解释性分析也证明该模型的判断方式与我们以往的医疗知识一致。结论:我们的研究成功的开发并验证了多个机器学习模型用于预测重症监护病房中脊柱骨折患者的院内死亡,其中随机森林模型的表现最好,模型的可解释性分析也符合医学认知,同时外部验证也证实我们当前的模型具有强大的迁移和泛化能力。综上所述,我们的模型可以早期精确的识别高危患者,提前采取积极有效的有望降低入院患者的死亡率;同时我们的研究也存在一些局限性,特别是本研究是一项回顾性研究,之后需要更多的前瞻性研究对我们的结果进行验证。

关键词： 图表示学习   图卷积神经网络   自注意力机制   有偏随机游走  

摘要： 图表示学习是高效分析处理图数据的基础,旨在将每个节点映射到一个低维、稠密的向量中,节点在图中的关系通过向量之间的关系反映出来,从而实现很多有意义的机器学习任务,如节点分类、链接预测以及社区发现等。近年来,图表示学习发展迅速,其方法大体可以分为基于矩阵分解、基于随机游走以及基于深度学习等。其中,基于卷积神经网络的方法在图表示学习领域发挥着越来越重要的作用。然而,在大多数现有的图卷积神经网络中,每一层卷积只考虑节点的一阶邻居节点,但堆叠过多卷积层又会导致节点的向量表示趋同。同时随着当前图数据规模越来越庞大,对中心节点的所有邻居节点进行聚合可能出现“邻居爆炸”现象,计算代价过高。 为了有效利用高阶邻居节点并为节点动态地分配权重,本文提出了一种自注意力机制下的图表示学习方法。在进行图表示学习的过程中,为了利用高阶邻居节点的信息,提出了一种基于节点相似度的有偏随机游走采样算法,通过计算节点初始特征间的Jaccard相似度,节点根据这一特征自动地选择游走偏向,从而获得与中心节点更相关的邻域信息。同时,考虑到单次游走所带来的随机性引入一种游走策略,即通过固定次数的有偏随机游走,将路径中出现频率最高的Top-k个节点作为中心节点的邻居节点执行后续操作。考虑到邻居节点对中心节点向量表示的影响程度并不相同,提出了多尺度邻域自注意力机制,通过在不同尺度的子图上利用自注意力机制分别学习中心节点的向量表示,并采用自适应的特征融合策略学习两个向量的权重来控制一阶邻域和其他阶邻域向量表示所占的比重,对一阶邻域和其他阶邻域的重要性进行区分,从而获得更加准确的向量表示。 本文在Cora,Cite Seer和Pub Med三个经典引文数据集上进行了参数敏感性实验、节点分类实验以及消融实验并对结果进行分析,实验结果表明本文所提出的方法优于所对比的方法。

关键词： 脸部去模糊   特征矫正   特征融合   自注意力   生成对抗网络(GANs)   通道注意力  

摘要： 相机在拍摄人脸图时,常常因为抖动、失焦等原因得到模糊图像。而当人脸图像被模糊化时,对人脸识别等高级视觉任务有很大的影响。人脸图像去模糊的目的是从模糊的输入图像中恢复出清晰的图像,从而提高识别精度等。因此,图像去模糊问题是图像复原领域里面的研究重点,而一般的去模糊方法在人脸图像上效果不佳。本文采用生成式学习方法,结合特征矫正模块,实现对模糊人脸图像进行高精度复原,主要工作如下:(1)基于高效自注意力的模糊信息矫正技术研究图像特征的提取和选择是图像处理过程中的重要环节。模糊图像特征存在不同程度的扭曲,准确获取具有一定难度。本文利用自注意力模块(Self-Attention Module,SAM),以捕捉特征内部相关性,从而实现模糊图像特征的有效矫正,有利于后续图像恢复。同时,鉴于自注意力机制的高昂计算开销,本文采用了一种高效的自注意力机制,实现了性能与计算开销之间的平衡。(2)图像复原的生成式网络设计为增强复原图像的细节信息,本文综合采用多尺度特征金字塔融合方式以及渐进式生成方式,设计了配备校正模块的特征融合网络(Feature fusion network,简称FFN),用于图像去模糊。该网络对人脸特征进行逐层校正和融合,最终生成细节信息丰富的高质量复原图像。本文与目前主流的图像去模糊算法进行了对比实验,实现了人脸复原方向的SOTA结果。在主观评价方面,本文复原图像细节丰富且模糊风痕较少,五官信息更清晰立体,提高了图像整体恢复质量。在客观指标方面,本文与其他方法对比了PSNR和SSIM指标,其中PSNR指标超越当前性能最优模型将近1.5db,SSIM指标超越1.5%。(3)图像复原网络的对比实验与消融验证本文与去模糊领域较为常见的近十种算法进行了对比实验以及自身关键模块的消融验证。在对比实验方面,本文从合成图像、真实图像、人脸识别准确率以及模型运行效率四个方面进行了对比。首先,本文采用了两种人脸对齐后的合成图像测试集和六种自己制作的合成测试集进行去模糊对比,并实现了复原效果最佳和复原指标最高。然后,本文在公认的真实测试集,实现了更高的复原质量以及人物特点(例如,痘痣)的精准复原。最后,本文在所有去模糊算法中复原人脸识别准确率最高。与此同时,本文的采用中等大小的模型实现了较高的运行效率。

关键词： 不确定知识图谱   表示学习   概率软逻辑   规则挖掘   知识图谱补全  

摘要： 随着大数据的飞速发展,各种大型的通用知识图谱和领域知识图谱被构建出来,这些图谱在智能交通、搜索引擎、决策支持等应用中起到了重要作用。但在知识图谱构建过程中,始终存在着难以去除的噪声和错误,即不确定性,如何在对不确定性的知识图谱进行表示与推理逐渐引起广泛的关注。传统的知识图谱表示学习方法专注于提高模型对三元组的建模能力,忽略了三元组之间逻辑规则的推理与建模,同时模型可解释性不足。对此,本文提出了基于概率推理的不确定性知识图谱表示学习方法。具体研究工作包括以下几个方面:(1)针对Analogy模型对不确定性知识图谱的表示学习效果不佳,同时缺乏可解释性的问题。本文通过概率软逻辑对Analogy的实例化规则重新建模,以此丰富三元组的关系事实,从而增强模型的预测能力。具体做法是将修改后的Softplus激活函数Clip-Softplus用于本文的模型,使得得分函数的似然值映射到[0,1]区间,从而模型可以对三元组中的置信度进行建模。在CN15k数据集上的置信度预测实验中,与UKGE模型对比,MSE提升了 16.61%。此外,Clip-Analogy(C-Analogy)还进行了关系事实排序、关系事实分类等实验,效果均优于基准模型。(2)为解决 Knowledge Graph Embedding with Iterative Guidance from Soft Rules(RUGE)模型自动提取的软规则不准确或不完整,导致模型预测效果较低的问题。本文提出了基于规则嵌入增强的不确定性知识图谱表示学习模型enhanced RulEs Guided Embedding(REGE)。该模型受CrossE模型的启发,利用交互矩阵对RUGE模型的三元组重新建模,同时本文将关系和规则进行联合嵌入建模,增强了规则的表示与推理。另外,本文使用规则挖掘工具AMIE3挖掘出三元组隐含的关系,再对这些关系进行等间隔分组实例化同时进行人工筛选,剔除错误的规则。再将这些规则进行实例化后送入模型进行表示学习。由于该模型对软规则进行了增强,所以模型在对不确定性知识图谱表示学习的性能得到了提升。实验表明REGE模型线性增益NDCG分别提升了 14.5%、1.6%、1.5%,指数增益 NDCG 分别提升了 14.6%、1.5%、1.8%。(3)将C-Analogy模型和REGE模型应用于知识图谱补全任务中,通过链接预测检测模型的性能。实验表明,本文提出的两个模型效果均优于基线。此外,本文将两个模型应用于电影知识图谱补全系统中,并进行了系统和功能测试。该系统的数据集主要来自于MovieLens电影数据。系统内部使用Cypher语言查询Neo4j图数据库中的数据,并利用Vue实现了前端的可视化功能。

关键词： 自动驾驶   自主换道机动   软演员-评论家算法   深度分层强化学习   安全决策训练方法  

摘要： 近年来,自动驾驶以高效环保和减少人为失误的优势而成为智能交通的研究热点。相关研究多以车辆跟驰及换道场景中的自动驾驶技术为主题,其中换道机动是驾驶技术由稳态辅助过渡到自主驾驶的关键指标,是缓解多车道道路拥堵的首要举措。随着信息技术的发展,深度强化学习凭借交互学习的特质成为非线性、非确定性环境的主流决策方法。本文依托深度强化学习方法设计面向自主换道机动场景的决策方案并在仿真平台的模拟场景中验证其可行性。主要工作内容和创新点如下: (1)在Meta Drive平台上构建自主换道机动的任务场景,并基于马尔可夫相关理论定义智能体的决策交互模型。环境的观测信息是模型的输入,模型的输出是车辆在横向和纵向上的动作指令,并因贴合实际驾驶操作的需要,将其设计为连续空间。根据任务要求设计具有较高参考价值的奖励函数并选定基线强化学习方法。最后,在自定义的三车道换道场景中经仿真实验验证基线智能体处理换道机动的可行性,实验结果进一步说明SAC相较于TD3在该场景中算法效率更高。 (2)针对智能体学习效率低下的问题,提出一种仿生经验利用方式——复合遗忘优先经验回放机制(Complex Forgetting Priority Experience Replay,CFPER)。它以奖励值衡量经验价值而决定其留存时间,减少低效经验对有限记忆空间的占用率,增加有益经验的利用率,以提升学习效率。结果表明,该算法相较于SAC-PER的收敛效率提升5.1%,换道成功率相较于SAC提升15.9%。 (3)针对复杂任务场景中普通强化学习智能体的学习过程存在效率缓慢及效果不理想的缺陷,从改进算法结构的角度提出选项软演员-评论家算法(Option-Soft-Actor-Critic,Option-SAC),用于处理自主换道机动。该算法在同样的时间尺度中自动建起由近端决策执行和远端战略规划组成的层次结构,完成决策学习过程。结果表明,算法效率提升4.3%,换道成功率相较于SAC提升24.2%。 (4)现有的深度强化学习智能体的决策学习过程,常常以最大化奖励回报为目标,因而忽视了其决策训练过程的合理性。针对此问题,提出避碰式安全强化学习决策学习方法(Safe Soft-Actor-Critic,S2AC)。该方法将车型大小的影响考虑在内,把智能体的决策训练过程转化为约束在安全区域内的优化问题。在两车道自主换道任务场景中,相较于SAC,S2AC的换道成功率提升且碰撞率降低。 图27幅,表7个,参考文献109篇。

关键词： 语义表示学习   SDNE模型   图神经网络   地理要素类别  

摘要： 随着地理数据采集手段的发展,可用的地理空间数据资源越来越丰富。同时,地理空间数据的应用领域也在不断泛化与深化,正逐步成为众多应用中不可或缺的基础数据。然而在数据共享与交换过程中,不同分类体系下的地理空间数据极易产生语义异质性问题。目前的语义匹配模型能在形式化的专家知识的基础上,实现地理要素匹配,但无法快速拓展应用。因此如何在缺少专家知识的情境中实现有效的语义匹配,已成为影响地理数据深入融合应用的关键。通常拥有相似地理要素类别分布的区域是具有一定相似性的。利用这一特性,可在仅依赖海量地理要素的情况下,基于要素间的空间邻近关系开展非监督的要素类别语义表示学习(结果通常表现为特征向量),实现要素类别语义的形式化表示,为语义匹配任务提供支持。本文以图结构为基础,利用邻域内地理要素的空间关系构建了要素空间邻近关系图;以要素的类别属性为元素构建了要素类别邻接矩阵;在此基础上提出了基于结构化深度网络嵌入模型(Structural Deep Network Embedding,SDNE)的地理要素类别语义表示方法,实现了要素类别语义的形式化表达;最后从语义相似性与区域空间结构相似性应用两方面,验证了本文提出的地理要素类别语义表示方法的有效性与可行性。论文主要研究内容有以下三方面:(1)构建了地理要素空间邻近关系图本文以OSM要素为实验数据,在对数据进行预处理的基础上提取出符合要求的地理要素,并通过综合考虑地理要素类别的丰富度及要素间的关联强度,明确了地理要素的邻域范围。其次,基于关联关系实现了地理要素邻域对象的自动提取。最后,以地理要素为节点,以其与邻域范围内的其他地理要素的关联为边,构建了地理要素空间邻近关系图。(2)构建了地理要素类别语义表示模型本文以空间邻近关系图为基础,提取地理要素的类别属性作为矩阵元素,以地理要素间的关联边数作为邻接强度,构建了描述要素类别间两两关系的邻接矩阵;在此基础上,以SDNE模型为基础构建了地理要素类别的语义表示模型,计算地理要素类别的特征向量表示。(3)验证了模型的有效性及可行性通过对五种传统相似度模型的计算结果的对比分析,筛选出表现最好的模型,作为参照模型;基于特征向量计算地理要素类别的相似度,与参照标准模型的结果进行对比分析,验证了本文提出的要素类别表示学习方法的有效性;将地理要素类别特征向量应用于区域的向量表示任务中,通过相似区域的空间结构分析验证了表示学习方法应用的可行性。