类别辅助变量参与下的土壤无偏采样布局优化方法

为了提高采样点在地理空间和辅助变量特征空间中的代表性,该文提出特征空间偏离指数用以测度采样点在特征空间中的无偏性,采用类别型辅助变量参与下的多维特征空间构建方法,融合地理空间和特征空间均匀分布的多目标优化目标函数,并利用空间模拟退火的方法实现采样点布局优化。以北京顺义区农田土壤重金属采样为例,选取土地利用类型、土壤质地和母质为辅助变量进行样点布局优化,并与特征空间均匀和地理空间均匀采样方法比较,结果表明:用于区域变量总体估计时,地理空间均匀采样估计精度最低,在采样尺度大于0.275时以特征空间均匀采样估计精度最好,而在采样尺度小于0.275时,无偏采样能获得更好的估计结果;在特征空间代表性方面,采样尺度较大时特征空间均匀采样样点代表性最好,采样尺度小于0.302时,无偏采样与特征空间均匀采样的代表性基本一致,地理空间采样点的代表性最差;用于空间制图时,无偏采样总体上比其他2种方法具有更好的制图精度。可见,在辅助变量支持的采样优化中,当采样尺度大且样点数较少时,适合采用特征空间均匀方法,且只能用于总体估计;采样尺度较小,样点数多时,适合采用无偏采样方法。该研究为利用辅助变量设计区域采样布局提供参考。

基于改进随机游走的网络表示学习算法

现有的基于Word2vec的网络表示学习(NRL)算法使用随机游走(RW)来生成节点序列,针对随机游走倾向于选择具有较大度的节点,生成的节点序列不能很好地反映网络结构信息,从而影响表示学习性能的问题,提出了基于改进随机游走的网络表示学习算法。首先,使用RLP-MHRW算法生成节点序列,它在生成节点序列时不会偏向大度节点,得到的节点序列能更好地反映网络结构信息;然后,将节点序列投入到Skip-gram模型得到节点表示向量;最后,利用链路预测任务来测度表示学习性能。在4个真实网络数据集上进行了实验。在论文合作网络arXiv ASTRO-PH上与LINE和node2vec算法相比,链路预测的AUC值分别提升了8.9%和3.5%,其他数据集上也均有提升。实验结果表明,RLP-MHRW能有效提高基于Word2vec的网络表示学习算法的性能。