इस पत्र में, हम शहरी क्षेत्र के प्रतिनिधित्व को सीखने के लिए एक नया ढाँचा, GURPP (ग्राफ़-आधारित शहरी क्षेत्र पूर्व-प्रशिक्षण और संकेत) प्रस्तावित करते हैं, जो विभिन्न शहरी-संबंधित उप-कार्यों के लिए महत्वपूर्ण है। यह इंगित करते हुए कि पिछले अध्ययनों में शहरी क्षेत्रों के बारीक-बारीक कार्यात्मक लेआउट शब्दार्थ और खराब कार्य अनुकूलनशीलता पर विचार नहीं किया गया है, GURPP एक शहरी क्षेत्र ग्राफ़ का निर्माण करता है और एक उप-ग्राफ़-केंद्रित पूर्व-प्रशिक्षण मॉडल के माध्यम से इकाई इंटरैक्शन के विषम और हस्तांतरणीय पैटर्न को कैप्चर करता है। हम कंट्रास्टिव लर्निंग और मल्टी-व्यू लर्निंग का उपयोग करके समृद्ध ज्ञान के साथ क्षेत्र एम्बेडिंग को प्री-ट्रेन करते हैं, और मैन्युअल रूप से परिभाषित प्रॉम्प्ट और सीखने योग्य प्रॉम्प्ट के माध्यम से एम्बेडिंग की अनुकूलनशीलता को बढ़ाते हैं। हम विभिन्न शहरी क्षेत्र भविष्यवाणी कार्यों और शहरों पर प्रयोगों के माध्यम से GURPP के बेहतर प्रदर्शन को प्रदर्शित करते हैं।
