MotifGPL：基于图原型学习的城市社会隔离解密工具

城市社会隔离（涵盖种族、住所和收入等维度）日益多样化和严重化。随着城市空间和社会关系日益复杂，大城市居民所经历的社会隔离程度各异。若不加以应对，可能导致犯罪率上升、社会紧张局势加剧等一系列严重问题。有效量化和分析城市空间内居民互动的结构对于解决社会隔离问题至关重要。以往研究主要关注城市社会隔离的表层指标，缺乏对城市结构和流动性的综合性分析。这种局限性未能完整捕捉社会隔离的复杂性。为弥补这一空白，我们提出了名为Motif-Enhanced Graph Prototype Learning（MotifGPL）的框架，包含三个关键模块：基于原型的图结构提取、图案分布发现和城市图结构重建。具体而言，我们运用图结构原型学习从城市空间图和起点-终点图中提取关键原型，融合诸如兴趣点、街景图像和流动指数等关键城市属性。为提升可解释性，图案分布发现模块将每个原型与相似图案匹配，代表反映局部模式的更简单图结构。最后，我们利用图案分布结果引导这两个图的重建。该模型 enables 对城市空间结构和居民流动模式进行细致探索，帮助识别和分析影响城市社会隔离的图案特征，指导城市图结构的重建。实验结果表明，MotifGPL 有效揭示了影响城市社会隔离的关键图案，为缓解此问题提供了稳健的指导。