在最近的地理空间研究中,通过自我监督学习建模大规模人类流动性数据的重要性与使用大型语料库的自我监督方法驱动的自然语言处理的进展并行。然而,已经有很多可行的方法适用于地理空间序列建模本身,似乎在评估方面似乎是改进的空间,特别是如何测量生成和参考序列之间的相似性。在这项工作中,我们提出了一种新颖的相似性测量,Geo-Bleu,这在地理空间序列建模和生成的背景下可能特别有用。顾名思义,这项工作是基于Bleu,是机器翻译研究中最受欢迎的措施之一,同时引入了空间接近N-Gram的想法。我们将此措施与已建立的基线进行比较,动态时间翘曲,将其应用于实际生成的地理空间序列。使用众群注释数据,关于从12,000例患者收集的地理空间序列之间的相似性,我们定量和定性地显示了所提出的方法的优势。
translated by 谷歌翻译