[논문 리뷰] On Quantifying Qualitative Geospatial Data: A Probabilistic Approach

Γεώργιος Σκούμας, Dieter Pfoser외 1명|arXiv (Cornell University)|2013. 11. 18.

Geographic Information Systems Studies참고 문헌 35인용 수 11

한 줄 요약

이 논문은 사용자 생성 텍스트에서 '북쪽'이나 '근처'와 같은 정성적 공간 관계를 확률적 프레임워크를 통해 정량화하는 방법을 제안한다. 거리 및 방향 특징을 가우시안 혼합 모델(GMM)을 사용한 탐욕적 기대최대화(EM) 알고리즘으로 모델링함으로써, 공간 관계에 대한 확률 분포를 추론함으로써 익명의 객체 위치를 신뢰성 있게 추론할 수 있으며, 검증 결과 '근처'와 '옆에' 관계는 유사성이 높아 함께 모델링할 수 있음을 보여준다.

ABSTRACT

Living in the era of data deluge, we have witnessed a web content explosion, largely due to the massive availability of User-Generated Content (UGC). In this work, we specifically consider the problem of geospatial information extraction and representation, where one can exploit diverse sources of information (such as image and audio data, text data, etc), going beyond traditional volunteered geographic information. Our ambition is to include available narrative information in an effort to better explain geospatial relationships: with spatial reasoning being a basic form of human cognition, narratives expressing such experiences typically contain qualitative spatial data, i.e., spatial objects and spatial relationships. To this end, we formulate a quantitative approach for the representation of qualitative spatial relations extracted from UGC in the form of texts. The proposed method quantifies such relations based on multiple text observations. Such observations provide distance and orientation features which are utilized by a greedy Expectation Maximization-based (EM) algorithm to infer a probability distribution over predefined spatial relationships; the latter represent the quantified relationships under user-defined probabilistic assumptions. We evaluate the applicability and quality of the proposed approach using real UGC data originating from an actual travel blog text corpus. To verify the quality of the result, we generate grid-based maps visualizing the spatial extent of the various relations.

연구 동기 및 목표

• 사용자 생성 콘텐츠에서 발견되는 모호하고 정성적인 공간 관계(예: '북쪽', '근처')를 표현하는 데 도전하는 데 목적을 두며.
• 여러 텍스트 관측치를 기반으로 이러한 정성적 관계를 확률적 공간 모델로 정량화하는 방법을 개발하는 데 목적을 두며.
• 서술적 텍스트에서 추출한 거리 및 방향 특징을 바탕으로 알 수 없는 객체 위치를 추론하는 데 목적을 두며.
• 시각적 매핑 및 KL 발산과 같은 유사도 지표를 사용하여 추론된 확률적 공간 모델의 품질을 평가하는 데 목적을 두며.
• 크라우드소싱된 지공간 서술을 기반으로 한 자동 텍스트-맵 생성 시스템 개발을 지원하는 데 목적을 두며.

제안 방법

• 해당 방법은 사용자 생성 콘텐츠의 공간 관계 서술에서 거리 및 방향 특징을 추출한다.
• 거리 및 방향에 대한 다변량 확률 분포로 공간 관계를 모델링하기 위해 가우시안 혼합 모델(GMM)을 사용한다.
• 로그우도를 최적화하고 KL 발산을 최소화하기 위해 반복적으로 GMM를 훈련하기 위해 탐욕적 기대최대화(EM) 알고리즘을 적용한다.
• 공간 관계 유형에 따라 거리 및 방향의 상관관계 모델링과 독립 모델링을 구분한다.
• 기준 모델 대비 평균 로그우도 및 KL 발산을 사용하여 모델 수렴 및 품질을 평가한다.
• 최종 확률 모델은 공간 범위와 정확도 평가를 위해 격자 기반 지도로 시각화된다.

실험 결과

연구 질문

• RQ1 사용자 생성 텍스트에서 정성적 공간 관계를 효과적으로 확률적 공간 모델로 정량화할 수 있는가?
• RQ2 어느 공간 관계(예: '근처', '옆에', '안에')는 거리 및 방향이 상관관계가 있으며, 어느 것은 독립적인가?
• RQ3 다양한 확률 모델이 가우시안 성분 수가 증가함에 따라 얼마나 수렴하고 향상되는가?
• RQ4 의미적으로 관련된 공간 관계인 '근처'와 '옆에'의 확률적 표현은 얼마나 유사한가?
• RQ5 제안된 방법은 다수의 텍스트 관측치로부터 알 수 없는 객체 위치를 신뢰성 있게 추론할 수 있는가?

주요 결과

• 확률 모델은 텍스트 데이터로부터 공간 관계를 성공적으로 포착하였으며, '근처'와 '옆에'와 같은 관계에서는 로그우도가 빠르게 안정화되었다.
• '근처'와 '옆에' 관계는 기준 모델과 낮은 KL 발산을 보였으며, 낮은 성분 수로도 안정적이고 일관된 확률적 표현을 나타내었다.
• '위에-안에' 관계 쌍은 성분 수가 증가함에 따라 발산이 증가하여 복잡하거나 일관되지 않은 사용 패턴을 시사하였다.
• '근처-옆에' 관계 쌍은 모든 구성 설정에서 일관되게 낮은 KL 발산을 보였으며, 강한 의미적 및 확률적 유사성을 나타내었다.
• 결과적으로 '근처'와 '옆에'를 하나의 확률 모델로 통합할 수 있음을 지지하며, 의미적으로 겹치는 관계를 효율적으로 표현할 수 있다.
• 이 방법은 크라우드소싱 텍스트 데이터의 불확실성을 효과적으로 다루며, 신뢰할 수 있는 공간 추론 및 지도 생성을 가능하게 한다.