Hex2Vec论文阅读

Context-Aware Embedding H3 Hexagons with OpenStreetMap Tags

介绍了一种用公共开放地图数据，将地图上的小区域进行向量化表示的方法。

选了36个城市，用Uber H3将城市划分为六边形蜂巢，每个蜂巢手工标注上标签（比如建筑，绿地），用负采样的skip-gram的方式，计算了蜂巢的向量表示。（类似word2vec获得词的语义信息，hex2vec获得蜂巢语义信息）这些向量可以做聚类表示地理相似性，有可解释性。

现在这个公共开放地图有两个问题，一个是覆盖程度不够，一个是没有可用标签。
手动划分地图区域很困难，所以选空间索引，有Uber的H3和google的S2，该文章选用H3划分地图

之前的embedding方式有
Loc2Vec：用图像的方式做，12个channel，每个channel展示一个特征（道路啊设施啊），用triplet loss 来做自监督训练，位置相近的格网认为分类相同，作为正样本，随机选个不相连的格网做负样本。
Tile2Vec：和Loc2Vec差不多，区别是这个用了卫星图，还有就是网络换成了ResNet-18。
Zone2Vec：路网划分区域，用出租车行驶轨迹，得到区域到区域之间的序列，用Skip-Gram model做，也是最大化相邻区域的概率，负样本从当前区域的邻域外随机选取。然后又用了社交网络的数据，在这一区域发的微博之类的
内容，将其向量化，作为这个区域的label信息。
RegionEncoder：用出租车的轨迹、POI和卫星图像等多种信息作为来源。划分矩形格网。格网内poi信息统计并标准化，得到格网的poi向量。用出租车通行数据构建出以格网为顶点的图，权重是出租车游走的次数的标准化。网络有去噪卷积自编码机和图卷积神经网络，处理了poi向量和格网图，再接一个mlp，来分辨前面的两个向量是否来自于同一个地区。
Urban2Vec：用POI和街景地图。poi的文本信息（分类，打分和评论）通过nlp的方式（GloVe）得到embedding，街景图片的embedding和poi的embedding去贴（和上面的方法一样，多个数据的数据好像都是这么做，不同来源的数据各自embedding，然后训练让描绘同一个地区的embedding相近，不同的相远）
Region2Vec：用POI信息和手机基站信息，用GloVe和LDA实现embedding。每个基站范围的poi作为一篇文档，用皮尔逊相关系数生成相似矩阵，这些相似矩阵取平均生成相似区域（。。。？没看懂）
IRN2Vec：。。。

这篇文章说自己的不同点是，只用了公共开放地图的图像数据，并且用H3作为格网划分依据（上面介绍的要么是矩形格要么是路网要么是已有的行政区划分）
在地图上有很多认为标记的点，这些点中作者选了725个作为tags，例如building，office，water这些，然后用H3的第九级划分格子，每个格子可以包含一个或多个tags，用词袋模型将这些tags作为格子的feature。

Skip-gram模型的目标函数就是

s是打分函数，wc是wt的上下文单词，wn是wt的非上下文单词。然后该文章还是用了一个假设，临近的蜂巢的embedding应该是相近的。计算方式是先把蜂巢的词袋表示通过全连接网络映射到低维向量。然后定义打分函数就是两个低维向量的乘积，向量约接近，乘积越高，为了表示成概率的样子，在s外面套了一个sigmoid

最终的目标函数长这样

其中

一开始是softmax算，后来改成了负采样算，见论文【Tomás Mikolov, Ilya Sutskever, Kai Chen, Greg Corrado, and Jeffrey Dean. 2013.Distributed Representations of Words and Phrases and their Compositionality.CoRR abs/1310.4546 (2013). arXiv:1310.4546 http://arxiv.org/abs/1310.4546】

整体结构长这样