LightPath：轻量且可扩展的路径表示学习

运动路径在智能交通与智慧城市应用中被广泛使用。为服务此类应用，路径表示学习旨在提供路径的紧凑表示，以便用于路径排序与出行成本估计等不同下游任务时实现高效且准确的操作。在许多场景下，路径表示学习具备轻量与可扩展性颇具吸引力；在资源受限环境与绿色计算限制下，则必不可少。然而，现有路径表示学习研究聚焦于准确性，至多次要关注资源消耗与可扩展性。我们提出一种轻量且可扩展的路径表示学习框架，称为 LightPath，旨在降低资源消耗并实现可扩展性而不影响准确性，从而支持更广泛的应用。更具体地，我们首先提出一种稀疏自编码器，确保框架在路径长度方面获得良好可扩展性。接着，我们提出一种关系推理框架，以更快训练更鲁棒的稀疏路径编码器。我们还提出全局-局部知识蒸馏，以进一步缩减稀疏路径编码器规模并提升其性能。最后，我们在两个真实世界数据集上报告了大量实验，以揭示所提框架的效率、可扩展性与有效性。