時(shí)空知識(shí)圖譜研究進(jìn)展與展望Spatiotemporal Knowledge Graph

這篇具有很好參考價(jià)值的文章主要介紹了時(shí)空知識(shí)圖譜研究進(jìn)展與展望Spatiotemporal Knowledge Graph。希望對(duì)大家有所幫助。如果存在錯(cuò)誤或未考慮完全的地方，請(qǐng)大家不吝賜教，您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問。

時(shí)空知識(shí)圖譜研究進(jìn)展與展望

陸鋒1,?2,?4,?5,?*,?
諸云強(qiáng)1,?2,?4,?
張雪英3,?4

作者信息?+

Spatiotemporal Knowledge Graph: Advances and Perspectives

LU Feng1,?2,?4,?5,?*,?
ZHU Yunqiang1,?2,?4,?
ZHANG Xueying3,?4

Author information?+

文章歷史?+

摘要

地理信息的不斷泛化對(duì)經(jīng)典的地理信息分析模式提出了巨大挑戰(zhàn)，網(wǎng)絡(luò)化的知識(shí)服務(wù)將逐漸成為地理信息應(yīng)用的新模式，助力地理計(jì)算到社會(huì)計(jì)算的形態(tài)轉(zhuǎn)變。地理知識(shí)服務(wù)需要打通人、機(jī)構(gòu)、自然環(huán)境、地理實(shí)體、地域單元、社會(huì)事件之間的關(guān)聯(lián)，促進(jìn)知識(shí)輔助下的數(shù)據(jù)智能與計(jì)算智能。本文聚焦地理時(shí)空知識(shí)獲取與形式化表達(dá)及分析的迫切需求，首先分析了時(shí)空知識(shí)圖譜的基本概念與特征，認(rèn)為時(shí)空知識(shí)圖譜是指具有地理時(shí)空分布或位置隱喻的知識(shí)構(gòu)成的有向圖，即以時(shí)空分布特征為核心的知識(shí)圖譜；然后提出了時(shí)空知識(shí)圖譜的研究框架，該框架可實(shí)現(xiàn)時(shí)空大數(shù)據(jù)到時(shí)空知識(shí)服務(wù)應(yīng)用的轉(zhuǎn)變，包括泛在時(shí)空大數(shù)據(jù)、時(shí)空知識(shí)獲取、時(shí)空知識(shí)管理、時(shí)空知識(shí)圖譜、軟件系統(tǒng)及行業(yè)應(yīng)用等多個(gè)層次；接著從文本描述地理信息抽取、異構(gòu)地理語義網(wǎng)對(duì)齊、時(shí)空知識(shí)表達(dá)與表示學(xué)習(xí)等方面，介紹了相關(guān)研究進(jìn)展；結(jié)合應(yīng)用實(shí)踐，介紹了面向行業(yè)的時(shí)空知識(shí)圖譜構(gòu)建與應(yīng)用途徑；最后，討論了時(shí)空知識(shí)圖譜研究目前面臨的關(guān)鍵科學(xué)問題與技術(shù)瓶頸，提出在大模型時(shí)代，構(gòu)建顯式的時(shí)空知識(shí)圖譜，并針對(duì)行業(yè)需求開展知識(shí)推理，仍是時(shí)空知識(shí)服務(wù)的必由之路。

Abstract

The continuous generalization of geographic information poses a huge challenge to the classic geographic information analysis modes. Networked knowledge services will gradually become a new mode for geographic information applications, facilitating to transform the form of geographic computing into social computing. Geographic knowledge services need to connect people, institutions, natural environments, geographical entities, geographical units and social events, so as to promote knowledge assisted data intelligence and computational intelligence. Facing the urgent need for spatiotemporal knowledge acquisition, formal expression and analysis, this paper firstly introduces the concepts and characteristics of spatiotemporal knowledge graph. The spatiotemporal knowledge graph is a directed graph composed of geographic spatiotemporal distribution or geo-locational metaphors of knowledge that is a knowledge graph centered on spatiotemporal distribution characteristics. Secondly we proposes a research framework for spatiotemporal knowledge graph. The framework includes various levels from multimodal spatiotemporal big data to spatiotemporal knowledge services that contain ubiquitous spatiotemporal big data layer, spatiotemporal knowledge acquisition technique layer, spatiotemporal knowledge management layer, spatiotemporal knowledge graph layer, software/tools layer, and industrial application layer. Thirdly this paper introduces relevant research progress from text implied geographic information retrieval, heterogeneous geographic semantic web alignment, spatiotemporal knowledge formalization and representation learning. Combined with application practice, we then enumerate the construction and application approaches of domain oriented spatiotemporal knowledge graph. Finally, it discusses the key scientific issues and technical bottlenecks currently faced in the research of spatiotemporal knowledge graph. It is argued that in the era of large models, constructing explicit spatiotemporal knowledge graph and conducting knowledge reasoning to meet domain needs is still the only way for spatiotemporal knowledge services.

關(guān)鍵詞

時(shí)空知識(shí)?/?知識(shí)圖譜?/?地理空間智能?/?知識(shí)表達(dá)?/?時(shí)空大數(shù)據(jù)?/?信息抽取?/?地理語義對(duì)齊?/?研究進(jìn)展

Key words

spatial-temporal knowledge?/?knowledge graph?/?GeoAI?/?knowledge modeling?/?spatial-temporal big data?/?information extraction?/?geo-semantic alignment?/?advances

引用本文

導(dǎo)出引用

陸鋒,?諸云強(qiáng),?張雪英.?時(shí)空知識(shí)圖譜研究進(jìn)展與展望[J]. 地球信息科學(xué)學(xué)報(bào), 2023, 25(6): 1091-1105 https://doi.org/10.12082/dqxxkx.2023.230154

LU Feng,?ZHU Yunqiang,?ZHANG Xueying.?Spatiotemporal Knowledge Graph: Advances and Perspectives[J].?Journal of Geo-information Science, 2023, 25(6): 1091-1105 https://doi.org/10.12082/dqxxkx.2023.230154

1 引言

隨著地球觀測(cè)與導(dǎo)航及信息通訊技術(shù)的迅猛發(fā)展，各種顯式和隱式的時(shí)空數(shù)據(jù)爆發(fā)式增長，已經(jīng)成為泛在地理時(shí)空大數(shù)據(jù)的重要組成部分。泛化的地理時(shí)空大數(shù)據(jù)處理技術(shù)，超越了傳統(tǒng)測(cè)繪/地理/數(shù)據(jù)庫技術(shù)范疇，使得地理信息科學(xué)與技術(shù)（GIS）向廣義化、社會(huì)化、知識(shí)驅(qū)動(dòng)方向發(fā)展，地理空間智能（Geo-spatial Artificial Intelligence, GeoAI）成為研究熱點(diǎn)，推動(dòng)了城市信息學(xué)、計(jì)算社會(huì)科學(xué)的涌現(xiàn)，并融入電子商務(wù)、文化傳媒、體育競技等行業(yè)。GIS的發(fā)展目標(biāo)也從聚焦地理空間實(shí)體/過程的幾何形態(tài)過渡到側(cè)重語義關(guān)聯(lián)，從信息服務(wù)過渡到網(wǎng)絡(luò)化的知識(shí)服務(wù)，從地理計(jì)算過渡到社會(huì)計(jì)算。

GeoAI是地理空間科學(xué)與人工智能相結(jié)合的交叉研究方向，通過研究與開發(fā)機(jī)器的空間智能，提升對(duì)于地理現(xiàn)象和地球科學(xué)過程的動(dòng)態(tài)感知、智能推理和知識(shí)發(fā)現(xiàn)能力，并尋求解決人類和地球環(huán)境系統(tǒng)相互作用中的重大科學(xué)和工程問題[1]。GeoAI針對(duì)影像分類、目標(biāo)探測(cè)、場景分割、仿真與插值、鏈接預(yù)測(cè)、基于自然語言的地理信息抽取與問答、實(shí)時(shí)數(shù)據(jù)集成、地理語義充實(shí)等應(yīng)用需求，利用數(shù)據(jù)處理技術(shù)與數(shù)據(jù)體制文化的進(jìn)步，支持更智能的地理信息以及方法、系統(tǒng)與服務(wù)的創(chuàng)建[2]。面對(duì)不斷變化的復(fù)雜地理環(huán)境與社會(huì)系統(tǒng)，GeoAI需要打通人、機(jī)構(gòu)、自然環(huán)境、地理實(shí)體、地域單元、社會(huì)事件之間的關(guān)聯(lián)，促進(jìn)知識(shí)輔助下的數(shù)據(jù)智能與計(jì)算智能。當(dāng)前流行的大數(shù)據(jù)工程化驅(qū)動(dòng)的計(jì)算智能技術(shù)，能力的提升主要依賴于數(shù)據(jù)規(guī)模和計(jì)算速度的增長。而大數(shù)據(jù)“紅利”效應(yīng)正在逐漸減弱。計(jì)算智能技術(shù)的單點(diǎn)突破也難以為大數(shù)據(jù)驅(qū)動(dòng)的智能應(yīng)用提供持續(xù)支撐[3]。脫離知識(shí)驅(qū)動(dòng)的計(jì)算過程，智能化程度終究有限，需要從認(rèn)知角度確立思維方式，實(shí)現(xiàn)知識(shí)匯聚與知識(shí)推理，才能充分發(fā)揮已有經(jīng)驗(yàn)知識(shí)的價(jià)值。

GeoAI的成功應(yīng)用需要系統(tǒng)化、形式化、規(guī)范化的地理時(shí)空知識(shí)支撐。一方面，大量隱藏在結(jié)構(gòu)化或非結(jié)構(gòu)化的地理時(shí)空大數(shù)據(jù)中的新知識(shí)等待發(fā)現(xiàn)；另一方面，GeoAI需要與地理時(shí)空分布相關(guān)的可解釋、可復(fù)用、可推理的知識(shí)作為基礎(chǔ)設(shè)施，輔助人工智能理解地理空間規(guī)律。目前基礎(chǔ)地理服務(wù)普遍存在著“數(shù)據(jù)海量、信息爆炸、知識(shí)難求”現(xiàn)象，原因主要在于以往業(yè)界重點(diǎn)關(guān)注基礎(chǔ)地理數(shù)據(jù)的空間載體作用，雖然研發(fā)了元數(shù)據(jù)查詢、數(shù)據(jù)瀏覽下載、應(yīng)需專題制圖、API調(diào)用等服務(wù)功能，但對(duì)基礎(chǔ)地理數(shù)據(jù)的知識(shí)存量挖掘不夠，提供的地理空間知識(shí)服務(wù)極少[4]。

在此背景下，時(shí)空知識(shí)圖譜應(yīng)運(yùn)而生。時(shí)空知識(shí)圖譜作為一種高效的時(shí)空知識(shí)組織和表示方式，可為上述問題提供解決方案。時(shí)空知識(shí)圖譜的構(gòu)建過程，即如何自動(dòng)化地探測(cè)地理實(shí)體間的時(shí)空關(guān)系與語義關(guān)系，實(shí)現(xiàn)地理信息的自動(dòng)聚合過程[5]。時(shí)空知識(shí)圖譜是地理信息科學(xué)領(lǐng)域的前沿科學(xué)問題，也是提升時(shí)空大數(shù)據(jù)價(jià)值，促進(jìn)地理信息服務(wù)能力和產(chǎn)業(yè)發(fā)展的必然要求。

2 時(shí)空知識(shí)圖譜概念與特征

2.1 知識(shí)的形成與傳承

知識(shí)這一概念源于人類不斷遞進(jìn)的認(rèn)知過程，一般遵從數(shù)據(jù)（Data）-信息（Information）- 知識(shí)（Knowledge）-智慧（Wisdom）的金字塔模型（DIKW）①(①https://baike.baidu.com/item/DIKW模型/50904093。)，如圖1所示。數(shù)據(jù)是使用約定俗成的關(guān)鍵詞，對(duì)客觀事物數(shù)量、屬性、位置及相互關(guān)系的抽象表示。信息是指具有時(shí)效性、有一定含義，有邏輯、經(jīng)過加工處理、對(duì)決策有價(jià)值的數(shù)據(jù)流。知識(shí)是不斷凝練并與已有知識(shí)庫進(jìn)行結(jié)構(gòu)化整合的有價(jià)值的信息。智慧是基于已有知識(shí)，針對(duì)客觀世界運(yùn)動(dòng)過程中產(chǎn)生的問題，根據(jù)獲得的信息進(jìn)行分析、對(duì)比、演繹，進(jìn)而找出解決方案的能力。

時(shí)空知識(shí)圖譜研究進(jìn)展與展望,知識(shí)圖譜,KG圖神經(jīng)網(wǎng)絡(luò)GNN、GCN、GCT,知識(shí)圖譜,人工智能

圖1 人類認(rèn)知過程的金字塔模型

Fig. 1 DIKW pyramid model for human cognition

Full size|PPT slide

更詳細(xì)地，知識(shí)可以定義為：在人類感知世界和實(shí)踐過程中，對(duì)已獲取信息進(jìn)行提煉、歸納，并認(rèn)為正確的、具有普適性的認(rèn)識(shí)、觀點(diǎn)、經(jīng)驗(yàn)、方法、技能和流程等，是人類探索物質(zhì)世界和精神世界逐漸累積形成的結(jié)果總和。知識(shí)包括事實(shí)、信息的描述或在教育和實(shí)踐中獲得的技能。知識(shí)分類方法很多，可參考圖書館學(xué)與知識(shí)工程相關(guān)文獻(xiàn)。從認(rèn)知心理學(xué)角度，知識(shí)可分為描述型知識(shí)和操作型知識(shí)。描述型知識(shí)用來回答事物“是什么”、“怎么樣”的問題，與人們?nèi)粘Ｊ褂玫闹R(shí)概念內(nèi)涵較一致，包括事實(shí)、概念和原理，可以通過語言傳授（如“珠穆朗瑪峰高程8 848.86 m”、“早高峰由于通勤交通流劇增造成主干道擁堵”等）。描述型知識(shí)通過符號(hào)系統(tǒng)傳播，包括語言、圖形、圖像、文字（竹簡、石碑、書籍、網(wǎng)絡(luò)文本等各種文字形式）、地圖（地表事物和現(xiàn)象分布情況）、數(shù)學(xué)公式、音視頻等，具有隱性、動(dòng)態(tài)、時(shí)效性、主觀、可復(fù)制、可拓展、情境相關(guān)等基本特征。操作型知識(shí)是關(guān)于開展某項(xiàng)工作必需的知識(shí)和技能，一般須通過實(shí)踐才能獲得（如機(jī)動(dòng)車駕駛技術(shù)等）。本文所述知識(shí)主要指描述型知識(shí)。

2.2 知識(shí)的形式化表達(dá)需求

知識(shí)表達(dá)形式多樣，但絕大多數(shù)知識(shí)表達(dá)是服務(wù)人類學(xué)習(xí)的需求，不是服務(wù)機(jī)器理解的需求。故而知識(shí)的數(shù)字化過程多限于存儲(chǔ)，以便人類用戶可以更便捷地檢索和學(xué)習(xí)知識(shí)。知識(shí)服務(wù)的內(nèi)涵模糊，從圖書館到網(wǎng)絡(luò)百科、文獻(xiàn)共享，乃至基于已有知識(shí)的信息推薦，都可稱為知識(shí)服務(wù)。目前各種流行的知識(shí)服務(wù)系統(tǒng)，大多是從各種知識(shí)資源中提煉內(nèi)容，建立知識(shí)網(wǎng)絡(luò)，為用戶提出的問題提供已有知識(shí)資源或解決方案的信息服務(wù)過程。這些知識(shí)服務(wù)過程本質(zhì)上是已有信息匯聚與人機(jī)交互查詢過程。隨著科學(xué)研究范式發(fā)展到數(shù)據(jù)驅(qū)動(dòng)型，即科學(xué)研究的第四范式，使得可以在不依靠模型和假設(shè)的情況下，直接通過數(shù)據(jù)分析，發(fā)現(xiàn)很多以往的研究方法無法發(fā)現(xiàn)的新模式和新規(guī)律。然而第四范式在揭示事物本質(zhì)規(guī)律方面存在固有的局限性，單獨(dú)靠第四范式的數(shù)據(jù)驅(qū)動(dòng)方法，不僅要消耗大量的計(jì)算資源，也難以真正預(yù)測(cè)未來的趨勢(shì)與變化。目前的計(jì)算智能在存儲(chǔ)、搜索、感知、確定性問題求解等方面性能表現(xiàn)優(yōu)越，但在高級(jí)認(rèn)知和復(fù)雜問題決策方面與人類智能相差很遠(yuǎn)[3]。從方法論來看，知識(shí)發(fā)現(xiàn)過程所需的人工智能，終究需要形式化的、計(jì)算機(jī)可讀的知識(shí)體系支撐，實(shí)現(xiàn)深度學(xué)習(xí)與知識(shí)輔助的有機(jī)融合。因此，從早期的專家系統(tǒng)，到當(dāng)前流行的知識(shí)圖譜，業(yè)界一直在努力推動(dòng)知識(shí)的形式化表達(dá)，以便讓計(jì)算機(jī)能夠充分利用已有知識(shí)，實(shí)現(xiàn)知識(shí)的自動(dòng)推理。

知識(shí)圖譜（Knowledge graph）概念由谷歌公司于2012年提出，旨在實(shí)現(xiàn)更智能的搜索引擎，并且于2013年以后開始在學(xué)術(shù)界和工業(yè)界普及。知識(shí)圖譜是通過有向圖的方式表達(dá)實(shí)體、概念及其相互之間語義關(guān)系的數(shù)據(jù)組織形式或產(chǎn)品，本質(zhì)上是一種語義網(wǎng)絡(luò)（Semantic network）。知識(shí)圖譜中的“圖譜”（Graph）源自圖論，其中節(jié)點(diǎn)代表實(shí)體或者概念，邊代表實(shí)體/概念的屬性或者彼此之間的語義關(guān)系[5]。業(yè)界開發(fā)的通用知識(shí)圖譜產(chǎn)品包括YAGO、DBpedia、Freebase、NELL、Zhishi.me等。這些知識(shí)圖譜通過本體（Ontology）、資源描述框架（Resource Description Framework, RDF）等方法實(shí)現(xiàn)非結(jié)構(gòu)化或半結(jié)構(gòu)化知識(shí)的表達(dá)，將人類已有的知識(shí)系統(tǒng)中的海量知識(shí)點(diǎn)，存儲(chǔ)在數(shù)據(jù)庫中，并開發(fā)一系列搜索引擎實(shí)現(xiàn)訪問與查詢，輔助網(wǎng)絡(luò)搜索問答、客服機(jī)器人、智能推薦等。

嚴(yán)格意義上，“Knowledge Graph”一詞譯為“知識(shí)圖”更合適，因?yàn)橐话愣浴白V”多具有“序列”的內(nèi)涵，如電磁波譜、基因圖譜等。雖然Knowledge Graph中實(shí)體或概念之間的邏輯關(guān)系結(jié)構(gòu)也具有多尺度和可追溯性，但“序列”內(nèi)涵較弱。然而，知識(shí)圖譜的譯稱已得到業(yè)界廣泛接受，在此不再進(jìn)行嚴(yán)格界定。

2.3 時(shí)空知識(shí)圖譜

時(shí)空知識(shí)圖譜，顧名思義，是具有地理時(shí)空分布或位置隱喻的知識(shí)構(gòu)成的有向圖，即以時(shí)空分布特征為核心的知識(shí)圖譜（Spatial-temporal Knowledge Graph，或Geo-related Knowledge Graph，以下簡稱GeoKG）。GeoKG旨在通過計(jì)算機(jī)規(guī)范化表達(dá)與存儲(chǔ)與地理時(shí)空分布相關(guān)的知識(shí)集合，進(jìn)而支持地理時(shí)空分布或位置相關(guān)知識(shí)檢索與知識(shí)推理。其中的圖（譜）指地理時(shí)空分布或位置要素（概念、人類群體/個(gè)體、地理實(shí)體、事件、現(xiàn)象等）之間的語義聯(lián)系形成的網(wǎng)狀拓?fù)浣Y(jié)構(gòu)。

以往專業(yè)領(lǐng)域的關(guān)注點(diǎn)更多在于地理或地學(xué)專業(yè)知識(shí)，因此，常采用地理知識(shí)圖譜或地學(xué)知識(shí)圖譜的術(shù)語[5?-7]。在追求自然系統(tǒng)、社會(huì)系統(tǒng)統(tǒng)一綜合描述的背景下，涉及人類群體/個(gè)體、交通工具、建筑樓宇、興趣點(diǎn)（Point of Interests，POI）以及其他具有社會(huì)系統(tǒng)屬性與地理空間分布隱喻的概念和實(shí)體，無疑也是知識(shí)的巨大承載體，應(yīng)用需求廣泛。因此，為了避免與專業(yè)化的地理知識(shí)或地學(xué)知識(shí)混淆，本文將時(shí)空知識(shí)更廣泛地定義為一切具有時(shí)空位置和動(dòng)態(tài)變化特征的相關(guān)知識(shí)。時(shí)空知識(shí)是人類對(duì)地理空間上人、物、事件、現(xiàn)象分布、演變過程和相互作用規(guī)律的認(rèn)知結(jié)果。除了傳統(tǒng)的地理/地學(xué)應(yīng)用外，時(shí)空知識(shí)也是消費(fèi)領(lǐng)域基于位置的服務(wù)（Location-based Services，LBS）、新型基礎(chǔ)設(shè)施建設(shè)和智慧城市管理的核心支撐。時(shí)空知識(shí)也可以參考地理知識(shí)或地學(xué)知識(shí)分類方法，分為事實(shí)型、規(guī)則及控制型、決策型知識(shí)3 種類型[6]，或者分為數(shù)據(jù)性、概念性和規(guī)律性知識(shí)3個(gè)層次[7]。業(yè)界已有諸多研究介紹了時(shí)空知識(shí)圖譜的基本構(gòu)建流程[5-6,8-9]。

時(shí)空知識(shí)圖譜是地理信息分析向縱深拓展的關(guān)鍵技術(shù)。例如，在信息提取方面，傳統(tǒng)的遙感分類和信息提取算法思維，主要是基于數(shù)據(jù)特征，利用樣本學(xué)習(xí)獲取遙感信息的過程。這種算法思維導(dǎo)向的方法可擴(kuò)展性欠佳，在大區(qū)域應(yīng)用時(shí)需要不斷地補(bǔ)充新知識(shí)，或者使用海量樣本訓(xùn)練學(xué)習(xí)來彌補(bǔ)地表異質(zhì)性造成的特征差異[7]。業(yè)界已充分認(rèn)識(shí)到，缺乏已有專業(yè)知識(shí)的支撐，很難在海量遙感大數(shù)據(jù)中獲取更新、更廣、更深層次的地學(xué)知識(shí)。在遙感大數(shù)據(jù)時(shí)代背景與深度學(xué)習(xí)不斷發(fā)展壯大的趨勢(shì)下，多源異質(zhì)的大規(guī)模遙感知識(shí)圖譜構(gòu)建以及基于圖神經(jīng)網(wǎng)絡(luò)的知識(shí)圖譜學(xué)習(xí)與計(jì)算成為內(nèi)在需求[10]。一方面，知識(shí)圖譜可以構(gòu)建遙感知識(shí)模型與復(fù)雜遙感場景，為知識(shí)—數(shù)據(jù)驅(qū)動(dòng)的數(shù)據(jù)挖掘提供知識(shí)基礎(chǔ)。另一方面，利用知識(shí)圖譜中豐富的語義關(guān)系，可以實(shí)現(xiàn)面向語義需求的智能檢索、增強(qiáng)智能遙感服務(wù)。耦合知識(shí)圖譜和深度學(xué)習(xí)的新一代遙感影像解譯范式，可以承載不同類型和層次的地學(xué)知識(shí)，使其具有查詢檢索、知識(shí)推理、動(dòng)態(tài)更新、知識(shí)拓展等功能，為新時(shí)代地學(xué)知識(shí)驅(qū)動(dòng)下的遙感大數(shù)據(jù)高精度智能解譯服務(wù)，有效提升遙感影像的解譯性能，并最終實(shí)現(xiàn)地學(xué)知識(shí)的自動(dòng)化精準(zhǔn)和積累[7,11]。在數(shù)據(jù)集成方面，數(shù)字孿生和智慧城市管理等需要實(shí)現(xiàn)自然環(huán)境/社會(huì)環(huán)境的多維度刻畫與實(shí)時(shí)更新，從不同維度感知人-地關(guān)系，這也是全息地圖思想的核心，即以全要素、全信息、全內(nèi)容、全視角來開展地理空間對(duì)象的描述、表達(dá)、分析和服務(wù)，實(shí)現(xiàn)物理系統(tǒng)和社會(huì)系統(tǒng)要素在任何時(shí)間、任何地點(diǎn)的信息無縫鏈接與交互[12]。從數(shù)據(jù)集成的視角，本文認(rèn)為全息地圖可以理解為時(shí)空?qǐng)鼍皽y(cè)度+知識(shí)圖譜，即以位置和時(shí)空?qǐng)鼍皩?shí)體為載體的異構(gòu)數(shù)據(jù)實(shí)時(shí)關(guān)聯(lián)與聚合平臺(tái)，強(qiáng)調(diào)物理環(huán)境變化（水土氣生、建筑環(huán)境、聲光電磁）、社會(huì)環(huán)境動(dòng)態(tài)（Rich POI/人群流動(dòng)、地理空間交互、社交關(guān)系）和移動(dòng)對(duì)象軌跡/語義的綜合集成。場景要素間的動(dòng)態(tài)聯(lián)系是全息地圖的精髓，有助于將地圖轉(zhuǎn)化為地理或位置相關(guān)知識(shí)的表達(dá)工具。在數(shù)據(jù)服務(wù)方面，由于各種可獲取數(shù)據(jù)異構(gòu)性極強(qiáng)，需要在統(tǒng)一時(shí)空本體的支撐下，基于地理空間數(shù)據(jù)的多維度特征，建立地理時(shí)空大數(shù)據(jù)之間的高精度關(guān)聯(lián)，以及面向計(jì)算模型的地理空間數(shù)據(jù)的自動(dòng)推薦和匹配[13?-15]。在數(shù)據(jù)分析方面，隨著機(jī)器學(xué)習(xí)技術(shù)不斷成熟，其中的深度學(xué)習(xí)模型，依靠海量的訓(xùn)練數(shù)據(jù)和強(qiáng)大的算力，在人臉識(shí)別、機(jī)器翻譯、網(wǎng)絡(luò)問答等任務(wù)上性能已經(jīng)超過人類。然而，深度模型均為面向具體任務(wù)的隱性模型，難以遷移，也較難解釋。而知識(shí)圖譜作為顯性模型，目前在知識(shí)儲(chǔ)備量上已經(jīng)超過人類個(gè)體，可廣泛適用于不同任務(wù)，且采用類似人類的思考方式，具有很好的可解釋性。作為人工智能技術(shù)的兩大驅(qū)動(dòng)力，深度學(xué)習(xí)和知識(shí)圖譜需要深度融合②(②王仲遠(yuǎn). 美團(tuán)大腦智享生活.十方教育?(訪問時(shí)間2023.01.26)。)，才能滿足城市智能計(jì)算等諸多場景需求，即實(shí)現(xiàn)城市多源時(shí)空數(shù)據(jù)的實(shí)時(shí)學(xué)習(xí)與時(shí)空知識(shí)的自動(dòng)化積累。這也是城市建設(shè)與運(yùn)維體現(xiàn)智慧的核心所在。

需要說明的是，時(shí)空知識(shí)圖譜和地學(xué)信息圖譜（Geo-information Tupu）是截然不同的2個(gè)概念。地學(xué)信息圖譜是《地球信息科學(xué)學(xué)報(bào)》創(chuàng)刊人陳述彭院士提出的重要學(xué)術(shù)思想，源于中國歷史早已有之的圖譜概念。圖譜是一種運(yùn)用圖形語言來進(jìn)行表達(dá)與分析的方式。地學(xué)圖譜是應(yīng)用于地學(xué)分析的系列多維圖解。其中圖指地圖，描述區(qū)域、現(xiàn)象的空間范圍和分布格局，反映各地理要素的空間配置和相互作用；譜指可從時(shí)間上追根溯源的動(dòng)態(tài)系列表達(dá)，描述對(duì)象的發(fā)展方向與演化過程，大都以樹狀結(jié)構(gòu)圖表描述。圖譜合一，則是空間與時(shí)間動(dòng)態(tài)變化的統(tǒng)一表述。隨著GIS技術(shù)的發(fā)展，地學(xué)圖譜自然演化為由征兆圖、診斷圖和實(shí)施圖組成的地學(xué)信息圖譜[16?-18]。地學(xué)信息圖譜是認(rèn)知、方法和動(dòng)態(tài)地圖三者的綜合與統(tǒng)一。認(rèn)知是人類對(duì)地學(xué)對(duì)象在圖形思維上的觀察能力；方法是信息的獲取和分析的手段；地圖是信息的交互表達(dá)形式，它反映的是地學(xué)對(duì)象的規(guī)律[19]。

地學(xué)信息圖譜源于地理學(xué)與地圖學(xué)，強(qiáng)調(diào)基于專業(yè)知識(shí)圖形化描述的形象思維。而時(shí)空知識(shí)圖譜源于計(jì)算機(jī)科學(xué)，強(qiáng)調(diào)基于知識(shí)表達(dá)形式化描述的邏輯思維。時(shí)空知識(shí)圖譜的目標(biāo)是輔助發(fā)現(xiàn)與利用新的與地理位置相關(guān)的知識(shí)。從這一點(diǎn)上看，就地學(xué)分析而言，時(shí)空知識(shí)圖譜和地學(xué)信息圖譜的目標(biāo)是一致的。站在今天大數(shù)據(jù)、人工智能以及高分遙感等新技術(shù)的發(fā)展背景下，地學(xué)信息圖譜就是通過信息圖譜、知識(shí)圖譜等方法，實(shí)現(xiàn)從數(shù)據(jù)到信息再到知識(shí)的跨越，進(jìn)而發(fā)現(xiàn)和表達(dá)地學(xué)規(guī)律[19]。

3 時(shí)空知識(shí)圖譜研究框架

從國家戰(zhàn)略和行業(yè)需求的角度來看，自然資源規(guī)劃利用、生態(tài)環(huán)境監(jiān)管、智慧城市建設(shè)、公共健康監(jiān)測(cè)等部門，正在全面推進(jìn)行業(yè)治理體系和治理能力現(xiàn)代化，提升智能化管理能力和智慧化服務(wù)水平。然而，行業(yè)部門普遍存在數(shù)據(jù)資源整合集成、業(yè)務(wù)統(tǒng)籌協(xié)同難等問題。作為地理空間智能的基石，時(shí)空知識(shí)圖譜是組織和利用大規(guī)模時(shí)空知識(shí)的有效手段。然而，現(xiàn)有的時(shí)空知識(shí)圖譜主要依靠領(lǐng)域?qū)＜胰斯?gòu)建，存在行業(yè)領(lǐng)域知識(shí)不全面、不系統(tǒng)、不精準(zhǔn)、更新困難等問題，迫切需要基于泛在時(shí)空大數(shù)據(jù)，在時(shí)空知識(shí)獲取與管理技術(shù)支撐下，研發(fā)時(shí)空知識(shí)圖譜管理和知識(shí)服務(wù)的基礎(chǔ)軟件，形成大規(guī)模、高質(zhì)量的時(shí)空知識(shí)圖譜，進(jìn)而支撐行業(yè)領(lǐng)域時(shí)空知識(shí)服務(wù)應(yīng)用。時(shí)空知識(shí)圖譜總體研究框架如圖2所示。

時(shí)空知識(shí)圖譜研究進(jìn)展與展望,知識(shí)圖譜,KG圖神經(jīng)網(wǎng)絡(luò)GNN、GCN、GCT,知識(shí)圖譜,人工智能

圖2 時(shí)空知識(shí)圖譜研究框架

Fig. 2 Framework of spatial-temporal knowledge graph research

Full size|PPT slide

如何建立符合時(shí)空知識(shí)特點(diǎn)的時(shí)空認(rèn)知與知識(shí)圖譜表達(dá)方法，形成多維度的時(shí)空知識(shí)分類體系和統(tǒng)一的時(shí)空本體，發(fā)展顧及復(fù)雜時(shí)空特征及關(guān)系的時(shí)空知識(shí)圖譜自適應(yīng)表達(dá)模型，是時(shí)空知識(shí)組織管理、更新與計(jì)算推理、時(shí)空知識(shí)表示學(xué)習(xí)的理論基礎(chǔ)。

時(shí)空知識(shí)蘊(yùn)含在不同模態(tài)和類型的時(shí)空數(shù)據(jù)中，具有多粒度、異構(gòu)、高維低密度、樣本稀疏等特征，蘊(yùn)含的時(shí)空知識(shí)內(nèi)容、豐富程度和時(shí)效性各不相同，質(zhì)量參差不齊。自動(dòng)獲取這些多模態(tài)、多類型的泛在時(shí)空數(shù)據(jù)，統(tǒng)一評(píng)估這些數(shù)據(jù)源所蘊(yùn)含時(shí)空信息的質(zhì)量，并在時(shí)空信息多維度特征和多層次關(guān)系綜合認(rèn)知指導(dǎo)下，實(shí)現(xiàn)基于統(tǒng)一時(shí)空本體的時(shí)空信息抽取與融合，為時(shí)空知識(shí)圖譜構(gòu)建與更新提供可靠語料，是時(shí)空知識(shí)圖譜構(gòu)建的數(shù)據(jù)基礎(chǔ)。

現(xiàn)有時(shí)空知識(shí)圖譜構(gòu)建方法自動(dòng)化程度極為有限，且存在時(shí)空知識(shí)本體與實(shí)例脫節(jié)、時(shí)空信息利用不充分問題，基于知識(shí)圖譜的時(shí)空知識(shí)計(jì)算與推理研究更為罕見。亟需發(fā)展人工智能支持下群智協(xié)同的時(shí)空本體構(gòu)建、基于海量開放語料和深度學(xué)習(xí)的時(shí)空知識(shí)圖譜自動(dòng)構(gòu)建、“本體-實(shí)例”迭代融合的時(shí)空知識(shí)元組補(bǔ)全、時(shí)空知識(shí)表示學(xué)習(xí)與鏈接預(yù)測(cè)等技術(shù)，為大規(guī)模時(shí)空知識(shí)圖譜更新與知識(shí)推薦提供技術(shù)支撐。

4 時(shí)空知識(shí)圖譜研究進(jìn)展

文本是知識(shí)沉淀和傳播的載體。各種形式的文本是目前構(gòu)建時(shí)空知識(shí)圖譜的主要數(shù)據(jù)源。當(dāng)前的知識(shí)圖譜研究也主要是圍繞自然語言文本開展工作，以得到地理時(shí)空知識(shí)元組的規(guī)范化顯式表達(dá)。其他形態(tài)的地理信息，如各種格式的專業(yè)空間數(shù)據(jù)、物聯(lián)感知數(shù)據(jù)、移動(dòng)軌跡數(shù)據(jù)等，在當(dāng)前的知識(shí)圖譜研究中，其知識(shí)發(fā)現(xiàn)結(jié)果也基本轉(zhuǎn)化提煉為顯式的文本（字符串）形式三元組，才可納入知識(shí)圖譜的知識(shí)計(jì)算過程。

近年來，在國家自然科學(xué)基金、國家重點(diǎn)研發(fā)計(jì)劃等項(xiàng)目支持下，業(yè)界圍繞自然語言文本蘊(yùn)含地理信息抽取、異構(gòu)地理語義網(wǎng)對(duì)齊、時(shí)空知識(shí)圖譜構(gòu)建、時(shí)空知識(shí)圖譜領(lǐng)域應(yīng)用等主題，開展了系統(tǒng)性研究工作。

4.1 地理信息標(biāo)注語料庫構(gòu)建

地理信息標(biāo)注語料庫是開展文本蘊(yùn)含地理信息提取與理解的重要基礎(chǔ)，旨在為文本信息的時(shí)空語義理解提供標(biāo)準(zhǔn)化的訓(xùn)練和測(cè)試數(shù)據(jù)。長期以來，標(biāo)注語料庫的匱乏一直是阻礙文本蘊(yùn)含地理信息解析的關(guān)鍵因素。針對(duì)這一問題，業(yè)界設(shè)計(jì)了文本蘊(yùn)含地理信息的標(biāo)注規(guī)范，提出了地理實(shí)體及關(guān)系語料庫自動(dòng)構(gòu)建方法[20-21]，彌補(bǔ)了人工定義標(biāo)注體系缺乏可擴(kuò)展性的不足，為語料庫快速擴(kuò)充和開放式地理信息抽取提供了新思路。

（1）地理實(shí)體標(biāo)注語料庫迭代式構(gòu)建

在文本蘊(yùn)含地理實(shí)體識(shí)別與語義消歧基礎(chǔ)上，可設(shè)計(jì)人機(jī)交互式標(biāo)注平臺(tái)，對(duì)文本進(jìn)行地理實(shí)體標(biāo)注和校正[20]。當(dāng)標(biāo)注的文本語料達(dá)到閾值時(shí)，將初始訓(xùn)練語料與標(biāo)注語料進(jìn)行融合，輸入到地理實(shí)體識(shí)別模型中再次訓(xùn)練，優(yōu)化模型參數(shù)，提升識(shí)別效果，同時(shí)將新增語料加入標(biāo)注語料庫；迭代上述步驟直至所構(gòu)建語料庫滿足要求。結(jié)果顯示，在基于相同的語料庫情況下，這一方法較傳統(tǒng)的基于條件隨機(jī)場（Conditional Random Field，CRF）的地理實(shí)體標(biāo)注方法，準(zhǔn)確率、召回率、綜合值均有提高。

（2）地理實(shí)體關(guān)系語料庫自動(dòng)構(gòu)建

領(lǐng)域?qū)＜覙?gòu)建的地理實(shí)體關(guān)系標(biāo)注規(guī)范通常要求標(biāo)注者深入理解上下文語義，且涉及復(fù)雜空間關(guān)系的標(biāo)注。如果缺乏人工參與，計(jì)算機(jī)將無法理解標(biāo)注規(guī)范，不能完成自動(dòng)標(biāo)注。此外，同一地理實(shí)體的不同表達(dá)形式在語料標(biāo)注的多個(gè)環(huán)節(jié)均可能存在歧義，影響地理實(shí)體關(guān)系語料庫質(zhì)量。據(jù)此，業(yè)界提出了基于回標(biāo)技術(shù)的地理實(shí)體關(guān)系語料庫自動(dòng)構(gòu)建方法[21]，首先利用詞嵌入模型對(duì)網(wǎng)絡(luò)百科中的地理實(shí)體標(biāo)簽類別進(jìn)行語義聚類，通過地理實(shí)體詞條的百度信息框?qū)傩悦Q和屬性值篩選出地理實(shí)體關(guān)系，形成地理實(shí)體關(guān)系分類體系；其次，如果地理實(shí)體詞條信息框的屬性值也為地理實(shí)體，則把記錄轉(zhuǎn)化為地理實(shí)體關(guān)系種子三元組。在實(shí)體消歧后，對(duì)句子集合和種子三元組集合進(jìn)行主客體匹配和關(guān)系匹配，實(shí)現(xiàn)種子三元組映射到句子的定量化評(píng)價(jià)，篩選出最優(yōu)匹配項(xiàng)作為地理實(shí)體關(guān)系回標(biāo)結(jié)果。這種基于百科信息框的回標(biāo)方法，充分利用百科平臺(tái)中數(shù)據(jù)龐大且關(guān)系類型豐富的地理實(shí)體詞條作為構(gòu)建地理實(shí)體關(guān)系語料庫的數(shù)據(jù)源，且構(gòu)建的地理實(shí)體關(guān)系標(biāo)注體系涵蓋了語義關(guān)系和空間關(guān)系。

4.2 文本蘊(yùn)含地理實(shí)體識(shí)別與語義消歧

文本蘊(yùn)含地理實(shí)體識(shí)別與語義消歧是將文本中涉及的地理實(shí)體名稱進(jìn)行切分并予以標(biāo)記的過程，旨在識(shí)別出文本中表示地理實(shí)體名稱的符號(hào)，消除“同名異體”或“異名同體”的地理實(shí)體歧義現(xiàn)象，獲取地理實(shí)體對(duì)應(yīng)的位置或空間分布信息[22-23]。文本蘊(yùn)含地理實(shí)體識(shí)別與語義消歧可通過實(shí)體共現(xiàn)與主題建模方法實(shí)現(xiàn)[24]，也可通過基于規(guī)則的地名詞典間地理實(shí)體匹配方法實(shí)現(xiàn)[25]。以往多采用隱馬爾科夫模型、支持向量機(jī)、最大熵、條件隨機(jī)場等機(jī)器學(xué)習(xí)方法開展地理實(shí)體識(shí)別[26]。近年來，深度學(xué)習(xí)方法被引入地理實(shí)體識(shí)別領(lǐng)域，以減少人工方式的地理實(shí)體描述語言特征歸納過程，或突破字符串相似性度量指標(biāo)難以處理由于語言和文化差異形成的地名字符變更問題，例如基于深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network, DNN）的方法[27]、基于深度信念網(wǎng)絡(luò)（Deep Belief Network，DBN）的方法[28]。DNN方法采用循環(huán)節(jié)點(diǎn)來表達(dá)與待匹配字符串對(duì)應(yīng)的字節(jié)序列，并將其與前饋節(jié)點(diǎn)相結(jié)合，從而決定地名對(duì)是否匹配。方法顯著優(yōu)于單一相似度匹配指標(biāo)及基于監(jiān)督機(jī)器學(xué)習(xí)的多重指標(biāo)組合方法[27]。DBN方法通過DBN模型的深層次網(wǎng)絡(luò)結(jié)構(gòu)，從輸入數(shù)據(jù)中解析更易分類的高維度語言特征，計(jì)算每個(gè)字符屬于地理實(shí)體名稱組成部分的概率，并采用相鄰字符組合方法，得到輸入數(shù)據(jù)中描述地理實(shí)體信息的字符串。研究結(jié)果顯示DBN模型與條件隨機(jī)場模型的地理實(shí)體識(shí)別結(jié)果具有顯著互補(bǔ)性，將二者進(jìn)行融合有望大幅度提升地理實(shí)體識(shí)別性能[28]。文本中地理實(shí)體描述具有歧義現(xiàn)象，同一地理實(shí)體可能對(duì)應(yīng)多個(gè)地理位置，同一位置也可能有多個(gè)地理實(shí)體描述。此外，文本中的地理實(shí)體描述還存在顯著的離散化和稀疏性特征。針對(duì)這一問題，可基于已有的開放型百科知識(shí)平臺(tái)（如維基百科、百度百科等）和自然語言詞向量方法，進(jìn)行地理實(shí)體語義消歧[29]。

4.3 文本描述地理實(shí)體空間關(guān)系抽取

地理實(shí)體之間具有密切的空間關(guān)系。文本中的地理實(shí)體空間關(guān)系描述是對(duì)地理實(shí)體間精確空間關(guān)系的抽象化。自然語言理解領(lǐng)域中的關(guān)系抽取研究，以往主要集中于語義關(guān)系、因果關(guān)系、時(shí)態(tài)關(guān)系抽取等，針對(duì)空間關(guān)系抽取的研究較少[30]。然而，文本蘊(yùn)含地理實(shí)體空間關(guān)系抽取對(duì)地理位置相關(guān)應(yīng)用至關(guān)重要，包括空間查詢[31]、空間參考[32]、數(shù)據(jù)預(yù)測(cè)[33]等。

已有的空間關(guān)系抽取方法可分為傳統(tǒng)機(jī)器學(xué)習(xí)方法[34-35]和神經(jīng)網(wǎng)絡(luò)方法[36-37]。前者高度依賴人工特征或明確的句法結(jié)構(gòu)，后者基于神經(jīng)網(wǎng)絡(luò)，通過依存句法分析產(chǎn)生候選關(guān)系，并利用雙向長短時(shí)記憶網(wǎng)絡(luò)模型（Bi-directional Long Short-Term Memory，BiLSTM）進(jìn)行分類，或者利用預(yù)訓(xùn)練自然語言模型BERT和CRF模型抽取空間關(guān)系。這些方法本質(zhì)上均屬于分類任務(wù)，對(duì)非空角色關(guān)系抽取表現(xiàn)優(yōu)異，但由于信息缺失的限制，難以勝任空角色（null-role）關(guān)系抽取，即難以處理空間位置關(guān)系三元組中元組要素缺失的情況。因此，業(yè)界提出將生成模型和分類模型相結(jié)合，利用分類模型抽取非空角色關(guān)系，利用生成模型引入先驗(yàn)知識(shí)捕獲空角色關(guān)系語義，并使得結(jié)果具有更好的可解釋性[30]。但這種方法在非地理實(shí)體之間動(dòng)態(tài)空間關(guān)系抽取方面可能有效，對(duì)于地理實(shí)體之間靜態(tài)空間關(guān)系抽取的有效性尚需驗(yàn)證。此外，也有研究提出融合地理語義的文本描述地理實(shí)體空間關(guān)系抽取模型[38]，將地理實(shí)體類型與空間關(guān)系特征詞兩項(xiàng)地理語義與深度學(xué)習(xí)模型融合，以提高空間關(guān)系抽取結(jié)果的準(zhǔn)確率與召回率，并提升模型對(duì)拓?fù)?、方向、距離等空間關(guān)系分類的泛化能力。

隨著網(wǎng)絡(luò)文本爆發(fā)式增長，預(yù)定義的關(guān)系類型難以全面覆蓋不斷變化的地理實(shí)體間新型關(guān)系，限制了地理語義理解和空間推理。無監(jiān)督學(xué)習(xí)方法具有捕獲文本的動(dòng)態(tài)變化特征并發(fā)現(xiàn)新增關(guān)系類型的能力，對(duì)動(dòng)態(tài)擴(kuò)展時(shí)空知識(shí)圖譜中知識(shí)三元組類型極具潛力。例如，有學(xué)者提出了語境增強(qiáng)的無監(jiān)督地理實(shí)體關(guān)系抽取方法[39]，首先進(jìn)行地理實(shí)體識(shí)別，借助分類知識(shí)庫確定實(shí)體類別，然后基于預(yù)訓(xùn)練BERT詞向量知識(shí)庫合并上下文中語義相似的詞匯，增強(qiáng)相同類別的地理實(shí)體對(duì)的上下文語境，最后利用給定的句法特征排序增強(qiáng)語料中各詞語的重要性，確定給定地理實(shí)體對(duì)的關(guān)系關(guān)鍵詞。結(jié)果顯示，相較于Domain Frequency和Entropy詞頻統(tǒng)計(jì)的抽取方法，語境增強(qiáng)的無監(jiān)督地理實(shí)體關(guān)系抽取方法的關(guān)鍵詞提取準(zhǔn)確率大幅提升。同時(shí)，該方法具有識(shí)別新增關(guān)鍵詞的能力，可有效擴(kuò)展地理知識(shí)三元組的關(guān)系種類。業(yè)界進(jìn)一步利用Stanford OpenIE工具實(shí)現(xiàn)了網(wǎng)絡(luò)文本蘊(yùn)含地理實(shí)體開放關(guān)系的實(shí)時(shí)抽取[40]，基于通用知識(shí)庫的地理實(shí)體開放關(guān)系過濾方法，從OpenIE抽取的地理實(shí)體開放關(guān)系中篩選出高質(zhì)量結(jié)果。相比OpenIE的原始抽取結(jié)果，該方法大幅度濾除了開放關(guān)系抽取結(jié)果中的噪聲，并最大程度召回正確的地理關(guān)系三元組。

4.4 文本描述地理事件信息抽取

不同類型地理事件在文本描述中差異顯著，而且地理事件往往涉及多個(gè)地理實(shí)體及空間位置。針對(duì)這一問題，有學(xué)者將地理實(shí)體關(guān)系識(shí)別引入事件抽取過程，采用CRF模型和支撐向量機(jī)（Support Vector Machine, SVM）模型進(jìn)行角色和語義關(guān)系標(biāo)注，并以交通為例，通過正則表達(dá)式匹配識(shí)別事件的時(shí)間要素，實(shí)現(xiàn)了社交媒體文本中涉及多個(gè)地理實(shí)體描述的交通事件位置信息抽取[41]。此外，文本中存在大量多種類型地理事件表達(dá)共存的現(xiàn)象?；谟|發(fā)詞的方法容易將描述近似但類型不同的地理事件錯(cuò)誤分類，而使用傳統(tǒng)的文本全局特征向量作為監(jiān)督分類方法的輸入，模型學(xué)習(xí)的特征大多數(shù)與事件主題無關(guān)，導(dǎo)致訓(xùn)練分類器對(duì)事件分類檢測(cè)失效。針對(duì)這一問題，有研究以環(huán)境污染事件為例，提出了基于聯(lián)合主題特征的文本蘊(yùn)含地理事件檢測(cè)方法[42]，首先計(jì)算文本中主題詞頻來構(gòu)建主題分布特征向量，利用事件語料和維基百科語料訓(xùn)練的Word2Vec詞向量對(duì)初始主題詞庫進(jìn)行同義詞擴(kuò)展，然后基于TF-IDF向量表示文本的全局特征向量，計(jì)算詞匯在各種事件主題類型的詞頻分布作為文本的主題分布特征向量，最后構(gòu)建聯(lián)合主題特征向量，進(jìn)而采用邏輯回歸模型與SVM分類模型提取了地理事件信息。這一方法兼顧文本的全局特征和主題分布特征，使用同義詞林和知網(wǎng)改善了多類型地理事件信息檢測(cè)分類效果。

地理事件具有時(shí)空動(dòng)態(tài)變化特征?，F(xiàn)有的模式匹配和機(jī)器學(xué)習(xí)算法很難遷移適用。針對(duì)這一問題，可在事件抽取過程中結(jié)合事件特征和語境特征[43]，考慮詞匯的事件特征和上下文信息，采用句法分析快速標(biāo)注事件語料，基于BiLSTM-CRF模型，從文本中抽取出事件的時(shí)空屬性信息，進(jìn)而支撐地理事件知識(shí)庫構(gòu)建。

4.5 文本描述地理空間范圍計(jì)算

空間位置與幾何形態(tài)共同刻畫出地理實(shí)體、地理事件占據(jù)的空間范圍。文本描述的空間范圍具有顯著模糊性?；谖谋久枋鲇?jì)算地理實(shí)體、事件的空間范圍，需要明確地理空間位置的認(rèn)知機(jī)制與描述方式，界定地理實(shí)體空間位置與幾何形態(tài)的關(guān)系，將文本上下文中特定地理實(shí)體的空間關(guān)系描述，簡化為二元空間關(guān)系的組合描述，實(shí)現(xiàn)地理實(shí)體、事件空間范圍描述的近似計(jì)算。

針對(duì)不同語境中位置描述模糊性差異顯著而難以定位的問題，有學(xué)者提出了基于超賦值語義的定位方法[44]，從多個(gè)層次分析位置描述中模糊性的來源，以及在各要素表達(dá)形式上的體現(xiàn)，然后從空間對(duì)象、距離關(guān)系和方向關(guān)系3個(gè)方面構(gòu)建定位模型。通過對(duì)多個(gè)位置描述上下文進(jìn)行超賦值，從上下文語義中獲得觀察值閾值，進(jìn)而實(shí)現(xiàn)位置描述的精確化定位。

量化模糊空間邊界有助于通過空間計(jì)算理解人類活動(dòng)與地理空間的交互特征。業(yè)界提出了基于上下文空間關(guān)系的模糊地名空間建模方法[45]、基于核密度分析的地名模糊空間建模方法[46]、基于網(wǎng)絡(luò)文本地理實(shí)體共現(xiàn)關(guān)系特征的認(rèn)知范圍方法[47]等。上述方法充分利用了文本中的空間關(guān)系詞匯信息，但是忽略了不同類型地理實(shí)體的特征差異。因此，也可以考慮采用地理時(shí)空知識(shí)圖譜和上下文相結(jié)合的方法，利用知識(shí)圖譜中相關(guān)地理實(shí)體的時(shí)空特征、屬性和關(guān)系，擴(kuò)大相關(guān)文本數(shù)據(jù)源，同時(shí)提升文本中相關(guān)信息獲取性能，從而提高地理實(shí)體、事件空間范圍計(jì)算精度。

4.6 異構(gòu)地理語義網(wǎng)對(duì)齊

互聯(lián)網(wǎng)上有著大量開放的地理語義網(wǎng)（地理知識(shí)庫）資源，可以作為構(gòu)建時(shí)空知識(shí)圖譜的重要基礎(chǔ)。然而，這些地理語義網(wǎng)產(chǎn)品中不同類型的實(shí)體存在詞法、結(jié)構(gòu)和空間等方面的異質(zhì)性，導(dǎo)致不同語義網(wǎng)中知識(shí)間的鏈接關(guān)系不可見，冗余數(shù)據(jù)難識(shí)別等問題。為此，業(yè)界開展了地理實(shí)體對(duì)齊形式化表達(dá)研究，針對(duì)不同應(yīng)用場景提出了基于詞嵌入增強(qiáng)的機(jī)器學(xué)習(xí)和基于空間映射變換的地理實(shí)體及類別對(duì)齊方法[48??-51]，可以在地理實(shí)體缺乏空間參考或者信息不完整的情況下有效完成實(shí)體和類別對(duì)齊，并構(gòu)建了異構(gòu)地理語義網(wǎng)對(duì)齊框架，充分利用多維信息度量地理實(shí)體相似性，并集成不同類型的地理實(shí)體對(duì)齊任務(wù)，一次完成地理實(shí)體從概念、屬性到實(shí)例的完整對(duì)齊。

（1）詞嵌入增強(qiáng)的地理實(shí)體對(duì)齊

現(xiàn)有文本蘊(yùn)含地理實(shí)體對(duì)齊方法嚴(yán)重依賴地理實(shí)體的字符距離相似度，無法準(zhǔn)確捕捉地理實(shí)體的深層次語義相關(guān)性，使得對(duì)齊性能難以提高。為此，業(yè)界提出了基于詞嵌入增強(qiáng)的地理實(shí)體對(duì)齊方法[48]，借助大規(guī)模文本中豐富的詞匯間上下文關(guān)系，通過訓(xùn)練和學(xué)習(xí)，基于詞嵌入模型，將文本中的詞匯表示為低維實(shí)數(shù)向量。該向量隱含了從文本中學(xué)習(xí)到的語義信息以及詞匯間的深層次語義相關(guān)性。相比于基于字符距離的地理實(shí)體相似度，由于詞向量隱含了語義信息，可以更準(zhǔn)確地捕捉語義相關(guān)性，度量其相似程度。

（2）基于空間映射變換的地理實(shí)體對(duì)齊

現(xiàn)有地理實(shí)體對(duì)齊方法通常計(jì)算實(shí)體名稱相似度，利用絕對(duì)空間坐標(biāo)來計(jì)算空間距離，并利用計(jì)算得到的實(shí)體名稱相似度和空間距離來實(shí)現(xiàn)對(duì)齊。然而，矢量型地理實(shí)體可能存在缺乏空間參考或者信息不完整的情況，嚴(yán)重影響對(duì)齊效果。據(jù)此，業(yè)界提出了基于空間映射變換的地理實(shí)體對(duì)齊方法[49]，通過橡皮頁空間映射方式校正待對(duì)齊的兩個(gè)數(shù)據(jù)集的相對(duì)坐標(biāo)，使得數(shù)據(jù)集可以實(shí)現(xiàn)空間疊置，疊置后的數(shù)據(jù)集相對(duì)坐標(biāo)可用于計(jì)算空間距離等，實(shí)現(xiàn)實(shí)體對(duì)齊。其中，空間映射通過基于控制點(diǎn)的橡皮頁變換實(shí)現(xiàn)?？刂泣c(diǎn)可通過數(shù)據(jù)集中部分地理實(shí)體對(duì)齊和對(duì)齊的實(shí)體計(jì)算得到。

（3）基于詞嵌入的地理實(shí)體類別對(duì)齊

針對(duì)已有的地理實(shí)體類別對(duì)齊主要基于字符或結(jié)構(gòu)相似度方法進(jìn)行，難以利用深層語義信息的問題，業(yè)界提出了地理語義增強(qiáng)的詞嵌入地理實(shí)體類別對(duì)齊方法[50]。首先構(gòu)建語料庫，輸入詞嵌入模型進(jìn)行訓(xùn)練，生成能夠充分表達(dá)地理實(shí)體類別語義信息的詞向量，然后根據(jù)生成的詞向量，獲得來自不同地理知識(shí)庫的實(shí)體類別的相似度，根據(jù)相似度計(jì)算結(jié)果生成地理實(shí)體類別的對(duì)齊結(jié)果。這種方法可以有效度量類別間的相關(guān)性。需要注意的是，詞向量維度提升雖然增強(qiáng)了向量對(duì)語義相關(guān)性的表示精度，提升了對(duì)齊結(jié)果，但過大的維度卻可能導(dǎo)致查全率的降低。需要根據(jù)查準(zhǔn)率和查全率的均衡確定合適的詞向量維度。

（4）異構(gòu)地理語義網(wǎng)整體對(duì)齊框架

目前業(yè)界已有大量公開的地理語義網(wǎng)資源，如GeoNames Ontology、OSM Semantic Network Network、 GeoWordNet、LinkedGeoData等。然而不同組織發(fā)布的地理語義網(wǎng)標(biāo)準(zhǔn)不同，存在一詞多義和同形異義的現(xiàn)象，整體上分散獨(dú)立。如何整合這些異構(gòu)分散的知識(shí)資源成為亟待解決的難題。通用對(duì)齊系統(tǒng)大多缺乏實(shí)例對(duì)齊功能，需要建立集成框架以支持各種類型的對(duì)象對(duì)齊。此外，許多地理空間數(shù)據(jù)使用扁平式存儲(chǔ)，缺乏明確的層級(jí)結(jié)構(gòu)，和通用鏈接數(shù)據(jù)存在本質(zhì)差異。獨(dú)立研究各種類型的地理實(shí)體對(duì)齊方法，不但增加了計(jì)算資源，還缺乏相似性度量指標(biāo)的自動(dòng)整合機(jī)制，限制了對(duì)齊方法的可擴(kuò)展性。鑒于此，業(yè)界構(gòu)建了地理空間數(shù)據(jù)的整體對(duì)齊框架，充分利用了多維信息度量地理實(shí)體相似性，集成了不同類型的地理實(shí)體對(duì)齊任務(wù)，可一次完成概念、屬性到實(shí)例的匹配[51]。其中相似性計(jì)算考慮了地理實(shí)體的空間相似性、詞法相似性、結(jié)構(gòu)相似性和擴(kuò)展信息相似性；采用初始匹配和增強(qiáng)匹配的兩階段匹配策略。相較于著名的集成對(duì)齊系統(tǒng)PARIS，這一集成框架不僅利用了更多類型的信息來協(xié)同增強(qiáng)對(duì)齊的效果，而且聚合多種相似性度量方法時(shí)避免了人工調(diào)參，降低了方法對(duì)指定信息的依賴，適用于信息分布失衡的數(shù)據(jù)對(duì)齊。

4.7 時(shí)空知識(shí)表達(dá)與表示學(xué)習(xí)

綜合考慮時(shí)間和空間2種要素的獨(dú)特性，業(yè)界提出了“以地理實(shí)體為核心”的時(shí)空知識(shí)表示模型，發(fā)展了基于描述邏輯語言的時(shí)空知識(shí)形式化描述方法，建立了時(shí)空知識(shí)圖譜的統(tǒng)一表達(dá)框架，解決了“如何將時(shí)空知識(shí)表示為計(jì)算機(jī)可接受的符號(hào)和可存儲(chǔ)數(shù)據(jù)結(jié)構(gòu)”的問題[6,52]，并以網(wǎng)頁文本為數(shù)據(jù)源，探索了基于機(jī)器學(xué)習(xí)模型的時(shí)空知識(shí)圖譜自動(dòng)生成方法[53]。針對(duì)現(xiàn)有知識(shí)圖譜中地理實(shí)體間鏈接稀疏，無法為已有知識(shí)嵌入表示的學(xué)習(xí)過程提供充足訓(xùn)練數(shù)據(jù)，導(dǎo)致地理知識(shí)嵌入表示效果不佳的問題，提出了顧及地理距離特征的時(shí)空知識(shí)圖譜嵌入表示方法[54]，結(jié)合時(shí)空知識(shí)圖譜具有空間隱喻的獨(dú)特性，將隱含的地理實(shí)體和地理關(guān)系間的空間距離模式引入知識(shí)嵌入表示學(xué)習(xí)過程，優(yōu)化地理實(shí)體和關(guān)系在低維向量空間的表示效果，以更好地表達(dá)地理實(shí)體間稀疏鏈接的知識(shí)圖譜三元組，服務(wù)時(shí)空知識(shí)圖譜補(bǔ)全等應(yīng)用場景。

4.8 時(shí)空知識(shí)圖譜應(yīng)用案例

通用知識(shí)圖譜作為現(xiàn)代搜索引擎的底層資源，已成為互聯(lián)網(wǎng)信息服務(wù)的核心支撐。與地理位置相關(guān)的城市設(shè)施與人類個(gè)體/群體知識(shí)資源，如POI畫像與消費(fèi)者行為軌跡模式等，也已在智慧城市管理、城市電商和零售領(lǐng)域取得了廣泛應(yīng)用。針對(duì)行業(yè)需求的其他時(shí)空知識(shí)資源，尚處于應(yīng)用起步階段。

例如，針對(duì)臺(tái)風(fēng)災(zāi)害應(yīng)急管理決策需求，業(yè)界提出了臺(tái)風(fēng)災(zāi)害知識(shí)圖譜構(gòu)建方法[55]，通過梳理臺(tái)風(fēng)災(zāi)害知識(shí)來源，建立了臺(tái)風(fēng)災(zāi)害事件知識(shí)體系，提出了臺(tái)風(fēng)災(zāi)害事件知識(shí)表達(dá)模型，實(shí)現(xiàn)了基于“事件-對(duì)象-狀態(tài)-屬性”的臺(tái)風(fēng)災(zāi)害事件知識(shí)融合，構(gòu)建了臺(tái)風(fēng)災(zāi)害知識(shí)圖譜，分析了知識(shí)圖譜在臺(tái)風(fēng)災(zāi)害對(duì)象查詢、災(zāi)情應(yīng)對(duì)措施推理等場景中的應(yīng)用途徑；針對(duì)大氣污染事件追溯和執(zhí)法需求，提出了以事件為核心的大氣污染執(zhí)法知識(shí)本體模型，建立了大氣污染發(fā)現(xiàn)、現(xiàn)場檢測(cè)、處罰決定、整改監(jiān)督4個(gè)階段的事件本體，確定了本體涉及的對(duì)象要素的核心屬性及其相互關(guān)系[56]；采用BERT和 CRF模型組合，實(shí)現(xiàn)了大氣污染事件分類及其文本中事件對(duì)象要素等的自動(dòng)化精準(zhǔn)抽取[57]，構(gòu)建了大氣污染執(zhí)法事件知識(shí)圖譜，開展了大氣污染事件關(guān)聯(lián)性、發(fā)展態(tài)勢(shì)、執(zhí)法量裁準(zhǔn)確度分析等；針對(duì)鐵路隧道智能化施工管理需求，提出了鐵路隧道鉆爆法施工安全質(zhì)量進(jìn)度知識(shí)圖譜構(gòu)建方法[58]，根據(jù)鐵路隧道施工建設(shè)過程中與安全質(zhì)量進(jìn)度關(guān)聯(lián)的人機(jī)料法環(huán)5類關(guān)鍵要素的概念與語義關(guān)系，設(shè)計(jì)了模式層自上而下和數(shù)據(jù)層自下而上雙向協(xié)同的構(gòu)建方式，抽取了實(shí)體及關(guān)系并進(jìn)行融合，構(gòu)建了模式-數(shù)據(jù)關(guān)聯(lián)的知識(shí)圖譜，精細(xì)刻畫了影響安全、質(zhì)量和進(jìn)度的關(guān)鍵要素屬性、要素間語義關(guān)聯(lián)關(guān)系以及互饋?zhàn)饔藐P(guān)系等，為鐵路隧道施工安全質(zhì)量進(jìn)度管理提供了支撐；針對(duì)國土資源不同數(shù)據(jù)產(chǎn)品難以有效管理與快速應(yīng)用的問題，利用圖數(shù)據(jù)庫對(duì)公開土地覆蓋數(shù)據(jù)集進(jìn)行語義層面的結(jié)構(gòu)化存儲(chǔ)，建立了可動(dòng)態(tài)更新的中國國土資源知識(shí)圖譜[59]，提出了基于知識(shí)圖譜的感興趣圖節(jié)點(diǎn)快速檢索算法，充分利用多源土地覆蓋數(shù)據(jù)產(chǎn)品間的信息，縮短了數(shù)據(jù)預(yù)處理時(shí)間，并發(fā)現(xiàn)了覆蓋全國的縣級(jí)行政單元的產(chǎn)品數(shù)據(jù)一致性誤差。針對(duì)旅游管理與市場分析需求，基于旅游信息門戶的用戶生成內(nèi)容（User Generated Contents, UGC），通過專家知識(shí)本體與預(yù)訓(xùn)練語言模型ERNIE的遷移學(xué)習(xí)，實(shí)現(xiàn)了旅游相關(guān)知識(shí)抽取，并集成多源信息構(gòu)建了全方位的旅游知識(shí)圖譜，支持游客行為模式和出游偏好分析[60]，并基于知識(shí)圖譜，利用旅游評(píng)論文本訓(xùn)練Word2Vec詞嵌入模型，實(shí)現(xiàn)文本語義增強(qiáng)，捕捉旅游知識(shí)圖譜中蘊(yùn)含的關(guān)系語義，度量旅游景點(diǎn)的相似性[61]；通過構(gòu)建知識(shí)圖譜，解決了當(dāng)前推薦系統(tǒng)面臨的推薦精度低和推薦結(jié)果缺乏可解釋性問題[62-63]。

5 發(fā)展趨勢(shì)與展望

時(shí)空知識(shí)圖譜方興未艾。針對(duì)時(shí)空知識(shí)圖譜所涉及的時(shí)空信息抽取、空間計(jì)算、語義網(wǎng)對(duì)齊、知識(shí)形式化表達(dá)與表示學(xué)習(xí)等主題，業(yè)界已經(jīng)開展了大量研究，取得了諸多研究成果，為時(shí)空知識(shí)圖譜的深度應(yīng)用奠定了基礎(chǔ)。然而，時(shí)空知識(shí)服務(wù)所需的知識(shí)獲取、推理計(jì)算與主動(dòng)推薦過程，依然存在一些關(guān)鍵科學(xué)問題與技術(shù)瓶頸需要突破，包括：

（1）多模態(tài)時(shí)空知識(shí)獲取

知識(shí)圖譜中的形式化知識(shí)元組，當(dāng)前主要基于各種形態(tài)的文本數(shù)據(jù)源處理得到。然而，除文本外，各種對(duì)地觀測(cè)、傳感器網(wǎng)絡(luò)與社會(huì)感知手段獲取的圖像、視頻、移動(dòng)對(duì)象軌跡與傳感網(wǎng)監(jiān)測(cè)數(shù)據(jù)中同樣蘊(yùn)含豐富的時(shí)空知識(shí)?；诓煌B(tài)數(shù)據(jù)獲取的時(shí)空知識(shí)在系統(tǒng)性、完整性上存在較大差異。需要探索基于多模態(tài)數(shù)據(jù)的時(shí)空知識(shí)獲取與融合方法，彌補(bǔ)單一數(shù)據(jù)來源的不足，為時(shí)空知識(shí)圖譜提供多源異構(gòu)信息支持。

（2）復(fù)雜時(shí)空知識(shí)表達(dá)

知識(shí)圖譜通常采用RDF模型進(jìn)行知識(shí)點(diǎn)表達(dá)，強(qiáng)調(diào)對(duì)象間的語義關(guān)系。RDF模型本質(zhì)上是一種“二元一階謂詞邏輯”的知識(shí)表示形式，雖然能夠表示大部分簡單事件或?qū)嶓w屬性，然而在表示復(fù)雜時(shí)空知識(shí)時(shí)卻束手無策。面對(duì)客觀世界中普遍存在的各類復(fù)雜時(shí)空知識(shí)，RDF模型難以保證知識(shí)的準(zhǔn)確性與完備性。如何突破RDF模型的缺陷，發(fā)展可充分反映多維度時(shí)空特征及關(guān)系，兼容不同時(shí)空對(duì)象、尺度和粒度的復(fù)雜時(shí)空知識(shí)自適應(yīng)表示模型，及對(duì)應(yīng)的數(shù)據(jù)庫實(shí)現(xiàn)方法，需要進(jìn)一步研究。

（3）面向時(shí)空知識(shí)圖譜的知識(shí)推理

面向知識(shí)圖譜的知識(shí)推理旨在基于已有知識(shí)圖譜中的事實(shí)，推理出新的事實(shí)或識(shí)別錯(cuò)誤的知識(shí)，一方面維護(hù)知識(shí)圖譜的完整性與有效性，另一方面，利用知識(shí)推理過程的可追溯性，增強(qiáng)推理結(jié)果的可解釋性。可以說，知識(shí)推理貫穿知識(shí)圖譜從構(gòu)建到應(yīng)用的全過程。面向知識(shí)圖譜維護(hù)的知識(shí)推理包括知識(shí)圖譜補(bǔ)全和知識(shí)圖譜去噪兩個(gè)主要任務(wù)。知識(shí)圖譜補(bǔ)全通過對(duì)已有事實(shí)的歸納演繹，基于邏輯、規(guī)則和上下文，填補(bǔ)存在缺失的知識(shí)三元組要素，或者對(duì)知識(shí)元組進(jìn)行新的擴(kuò)充，增加知識(shí)存量，包括連接預(yù)測(cè)、實(shí)體預(yù)測(cè)、關(guān)系預(yù)測(cè)、屬性預(yù)測(cè)等任務(wù)。知識(shí)圖譜去噪通過對(duì)已有知識(shí)元組進(jìn)行一致性檢驗(yàn)，或者根據(jù)新獲取的知識(shí)，識(shí)別已有知識(shí)圖譜中知識(shí)元組的誤差甚至錯(cuò)誤，對(duì)知識(shí)元組進(jìn)行修訂更新[64]。

面向通用知識(shí)圖譜的知識(shí)推理已在垂直搜索、智能問答等應(yīng)用領(lǐng)域發(fā)揮了重要作用。而時(shí)空知識(shí)推理目前還處于萌芽狀態(tài)。時(shí)空知識(shí)推理是實(shí)現(xiàn)時(shí)空數(shù)據(jù)智能向時(shí)空知識(shí)智能躍遷的技術(shù)瓶頸，直接決定了時(shí)空知識(shí)圖譜的應(yīng)用廣度與深度。如何構(gòu)建時(shí)空知識(shí)高效計(jì)算與推理機(jī)制，并提升時(shí)空知識(shí)推理結(jié)果的可解釋性，需要深度借鑒面向通用知識(shí)圖譜的知識(shí)推理技術(shù)，結(jié)合時(shí)空知識(shí)表示學(xué)習(xí)、實(shí)體空間位置語義與空間關(guān)系表達(dá)，采用地理實(shí)體多尺度層次關(guān)系推理機(jī)制與關(guān)系傳遞概率圖模型等，進(jìn)行深入研究。

（4）行業(yè)時(shí)空相關(guān)知識(shí)抽取與工程應(yīng)用

知識(shí)圖譜的核心資源是高質(zhì)量的知識(shí)。對(duì)于應(yīng)用領(lǐng)域而言，行業(yè)的深層知識(shí)屬于知識(shí)中最具含金量的內(nèi)容，其表現(xiàn)形式都是非結(jié)構(gòu)化、隱性的。目前仍然缺乏有效的行業(yè)知識(shí)抽取手段。實(shí)際應(yīng)用中多依賴人工/半人工的方式進(jìn)行，效率和準(zhǔn)確性有待提升。

此外，時(shí)空知識(shí)在空間格局解析、問題診斷、演變模式識(shí)別、趨勢(shì)預(yù)測(cè)等不同應(yīng)用中的作用不盡相同?，F(xiàn)有的時(shí)空知識(shí)服務(wù)主要實(shí)現(xiàn)了相關(guān)數(shù)據(jù)、文獻(xiàn)及工具的整合，提供跨類型資源語義檢索及簡單的知識(shí)導(dǎo)航等。時(shí)空知識(shí)的行業(yè)應(yīng)用，需要基于時(shí)空知識(shí)圖譜自適應(yīng)表達(dá)模型，在前述關(guān)鍵技術(shù)方法基礎(chǔ)上，研發(fā)時(shí)空知識(shí)圖譜管理系統(tǒng)和時(shí)空知識(shí)應(yīng)用服務(wù)支撐平臺(tái)，并與自然資源、生態(tài)環(huán)境、應(yīng)急管理、城鄉(xiāng)規(guī)劃與建設(shè)等行業(yè)領(lǐng)域業(yè)務(wù)深度融合，發(fā)展適應(yīng)不同應(yīng)用場景的多層次時(shí)空知識(shí)服務(wù)工程化應(yīng)用技術(shù)，支撐相關(guān)行業(yè)對(duì)時(shí)空知識(shí)服務(wù)的迫切需求。

目前各大互聯(lián)網(wǎng)企業(yè)競相推出基于大規(guī)模語料和機(jī)器學(xué)習(xí)大模型的問答系統(tǒng)，如OpenAI ChatGPT、Google Bard、百度文心一言等，成為全球關(guān)注熱點(diǎn)。這些產(chǎn)品利用自然語言模型在大規(guī)模語料上訓(xùn)練巨大的神經(jīng)網(wǎng)絡(luò)模型，能夠通過理解和學(xué)習(xí)人類語言來進(jìn)行互動(dòng)[65]。基于海量語料和機(jī)器學(xué)習(xí)大模型的知識(shí)提取與產(chǎn)生能力，讓很多以往依賴人工完成的基礎(chǔ)性、模式化工作變得無關(guān)緊要。雖然這些產(chǎn)品被詬病不具備實(shí)時(shí)搜索功能，無法學(xué)習(xí)新知識(shí)并更新知識(shí)儲(chǔ)備，但是可以預(yù)見，這些問題將很快得到解決。我們認(rèn)為，在科學(xué)探索方面，碳基生命的個(gè)性化特征也將不斷被硅基生命的普適化特征所取代。除非這些個(gè)性化特征具有強(qiáng)烈的創(chuàng)新內(nèi)涵，在當(dāng)時(shí)的科技背景下，人工智能難以表達(dá)與復(fù)現(xiàn)。

然而，這些系統(tǒng)從大規(guī)模語料庫中學(xué)習(xí)到的很多知識(shí)，據(jù)推測(cè)是存儲(chǔ)在分布式表示的難以解釋的黑盒模型中，并非知識(shí)圖譜要求的形式化表達(dá)的顯式知識(shí)元組。這與人類直接認(rèn)識(shí)世界內(nèi)在機(jī)理的樸素需求是相悖的。并且，訓(xùn)練一個(gè)大型語言模型費(fèi)時(shí)費(fèi)力，成本巨大，這種解決方案是否適合行業(yè)領(lǐng)域的應(yīng)用需求，值得商榷。行業(yè)領(lǐng)域知識(shí)異構(gòu)性極強(qiáng)，如何把行業(yè)領(lǐng)域知識(shí)融入到大模型中極具挑戰(zhàn)。此外，這些系統(tǒng)并不構(gòu)建顯式的知識(shí)圖譜，而是通過大規(guī)模文本語料的學(xué)習(xí)過程，建立隱式的知識(shí)圖譜，然后根據(jù)這個(gè)隱式知識(shí)圖譜回答問題。換句話說，它們并不是真正理解了人類的知識(shí)傳承，進(jìn)而也難以實(shí)現(xiàn)很多需要因果關(guān)系而不是相關(guān)關(guān)系的知識(shí)推理過程。因此，我們認(rèn)為，在很長一段時(shí)間內(nèi)，構(gòu)建顯式的時(shí)空知識(shí)圖譜，并與深度學(xué)習(xí)技術(shù)有機(jī)融合，針對(duì)行業(yè)領(lǐng)域業(yè)務(wù)需求進(jìn)行知識(shí)組織和計(jì)算推理，仍將是時(shí)空知識(shí)服務(wù)的必由之路。

參考文獻(xiàn)

列表(?原文順序?|?文獻(xiàn)年度倒序?|?文中引用次數(shù)倒序?)?可視化分析

[1]

高松. 地理空間人工智能的近期研究總結(jié)與思考[J].?武漢大學(xué)學(xué)報(bào)·信息科學(xué)版,?2020,?45(12):1865-1874.

[?Gao?S. A review of recent researches and reflections on geospatial artificial intelligence[J].?Geomatics and Information Science of Wuhan University,?2020,?45(12):1865-1874. ] DOI:10.13203/j.whugis20200597

地理空間人工智能的近期研究總結(jié)與思考 - 中國知網(wǎng)

本文引用 [1]文章來源地址http://www.zghlxwxcb.cn/news/detail-855408.html

[2]

Janowicz?K,?Gao?S,?McKenzie?G, et al. GeoAI: Spatially explicit artificial intelligence techniques for geographic knowledge discovery and beyond[J].?International Journal of Geographical Information Science,?2020,?34(4):625-636. DOI:10.1080/13658816.2019.1684500

https://doi.org/10.1080/13658816.2019.1684500

https://www.tandfonline.com/doi/full/10.1080/13658816.2019.1684500

本文引用 [1]

[3]

程學(xué)旗, 梅宏, 趙偉, 等. 數(shù)據(jù)科學(xué)與計(jì)算智能:內(nèi)涵、范式與機(jī)遇[J].?中國科學(xué)院院刊,?2020,?35(12):1470-1481.

[?Mei?H,?Zhao?W, et al. Data science and computing intelligence: Concept, paradigm and opportunities[J].?Bulletin of Chinese Academy of Sciences,?2020,?35(12):1470-1481. ] DOI:10.16418/j.issn.1000-3045.20201116005

數(shù)據(jù)科學(xué)與計(jì)算智能：內(nèi)涵、范式與機(jī)遇 - 中國知網(wǎng)

本文引用 [2]

[4]

陳軍, 劉萬增, 武昊, 等. 基礎(chǔ)地理知識(shí)服務(wù)的基本問題與研究方向[J].?武漢大學(xué)學(xué)報(bào)·信息科學(xué)版,?2019,?44:38-47.

[?Chen?J,?Liu?W Z,?Wu?H, et al. Basic issues and research agenda of geospatial knowledge service[J].?Geomatics and Information Science of Wuhan University,?2019,?44:38-47. ] DOI:10.13203/j.wuugis20180441

https://doi.org/10.13203/j.wuugis20180441

本文引用 [1]

[5]

陸鋒, 余麗, 仇培元. 論地理知識(shí)圖譜[J].?地球信息科學(xué)學(xué)報(bào),?2017,?19(6):723-734.

https://doi.org/10.3724/SP.J.1047.2017.00723

摘要?

[?Lu?F,?Yu?L,?Qiu?P Y. On geographic knowledge graph[J].?Journal of Geo-information Science,?2017,?19(6):723-734. ] DOI:10.3724/SP.J.1047.2017.00723

https://doi.org/10.3724/SP.J.1047.2017.00723

本文引用 [4]

[6]

張雪英, 張春菊, 吳明光, 等. 顧及時(shí)空特征的地理知識(shí)圖譜構(gòu)建方法[J].?中國科學(xué):信息科學(xué),?2020,?50(7):1019-1032.

[?Zhang?X Y,?Zhang?C J,?Wu?M G, et al. Spatio-temporal features based geographical knowledge graph construction[J].?Sci Sin Inform,?2020,?50(7):1019-1032. ] DOI:10.1360/SSI-2019-0269

Spatiotemporal features based geographical knowledge graph construction

本文引用 [4]

[7]

王志華, 楊曉梅, 周成虎. 面向遙感大數(shù)據(jù)的地學(xué)知識(shí)圖譜構(gòu)想[J].?地球信息科學(xué)學(xué)報(bào),?2021,?23(1):16-28.

面向遙感大數(shù)據(jù)的地學(xué)知識(shí)圖譜構(gòu)想

摘要?

[?Wang?Z H,?Yang?X M,?Zhou?C H. Geographic knowledge graph for remote sensing big data[J].?Journal of Geo-information Science,?2021,?23(1):16-28. ] DOI:10.12082/dqxxkx.2021.200632

面向遙感大數(shù)據(jù)的地學(xué)知識(shí)圖譜構(gòu)想

本文引用 [4]

[8]

蔣秉川, 萬剛, 許劍, 等. 多源異構(gòu)數(shù)據(jù)的大規(guī)模地理知識(shí)圖譜構(gòu)建[J].?測(cè)繪學(xué)報(bào),?2018,?47(8):1051-1061.

[?Jiang?B C,?Wang?G,?Xu?J, et al. Geographic knowledge graph building extracted from multi-sourced heterogeneous data[J].?Acta Geodaetica et Cartographica Sinica,?2018,?47(8):1051-1061. ] DOI:10.11947/j.AGCS.2018.20180113

多源異構(gòu)數(shù)據(jù)的大規(guī)模地理知識(shí)圖譜構(gòu)建

本文引用 [1]

[9]

劉俊楠, 劉海硯, 陳曉慧, 等. 面向多源地理空間數(shù)據(jù)的知識(shí)圖譜構(gòu)建[J].?地球信息科學(xué)學(xué)報(bào),?2020,?22(7):1476-1486.

面向多源地理空間數(shù)據(jù)的知識(shí)圖譜構(gòu)建

摘要?

[?Liu?J N,?Liu?H Y,?Chen?X H, et al. The Construction of knowledge graph towards multi-source geospatial data[J].?Journal of Geo-information Science,?2020,?22(7):1476-1486. ] DOI:10.12082/dqxxkx.2020.190565

面向多源地理空間數(shù)據(jù)的知識(shí)圖譜構(gòu)建

本文引用 [1]

[10]

張永軍, 王飛, 李彥勝, 等. 遙感知識(shí)圖譜創(chuàng)建及其典型場景應(yīng)用技術(shù)[J].?遙感學(xué)報(bào),?2023,?27(2):249-266.

[?Zhang?Y J,?Wang?F,?Li?Y S, et al. Remote sensing knowledge graph construction and its application in typical scenarios[J].?National Remote Sensing Bulletin,?2023,?27(2):249-266. ] DOI:10.11834/jrs.20210469

遙感知識(shí)圖譜創(chuàng)建及其典型場景應(yīng)用技術(shù)

本文引用 [1]

[11]

李彥勝, 張永軍. 耦合知識(shí)圖譜和深度學(xué)習(xí)的新一代遙感影像解譯范式[J].?武漢大學(xué)學(xué)報(bào)·信息科學(xué)版,?2022,?47(8):1176-1190.

[?Li?Y S,?Zhang?Y J. A new paradigm of remote sensing image interpretation by coupling knowledge graph and deep learning[J].?Geomatics and Information Science of Wuhan University,?2022,?47(8):1176-1190. ] DOI:10.13203/j.whugis20210652

耦合知識(shí)圖譜和深度學(xué)習(xí)的新一代遙感影像解譯范式 - 中國知網(wǎng)

本文引用 [1]

[12]

周成虎, 孫九林, 蘇奮振, 等. 地理信息科學(xué)發(fā)展與技術(shù)應(yīng)用[J],?地理學(xué)報(bào),?2020,?75(12):2593-2609.

地理信息科學(xué)發(fā)展與技術(shù)應(yīng)用

摘要?

[?Zhou?C H,?Sun?J L,?Su?F Z, et al. Geographic information science development and technological application[J].?Acta Geographica Sinica,?2020,?75(12):2593-2609. ] DOI:10.11821/dlxb202012004

地理信息科學(xué)發(fā)展與技術(shù)應(yīng)用

本文引用 [1]?摘要?

[13]

Zhu?Y Q,?Zhu?A X,?Feng?M, et al. A similarity-based automatic data recommendation approach for geographic models[J].?International Journal of Geographical Information Science,?2017,?31(7):1403-1424. DOI:DOI:10.1080/13658816.2017.1300805

https://doi.org/10.1080/13658816.2017.1300805

https://www.tandfonline.com/doi/full/10.1080/13658816.2017.1300805

本文引用 [1]

[14]

Zhu?Y Q,?Zhu?A X,?Song?J, et al. Multidimensional and quantitative interlinking approach for linked geospatial data[J].?International Journal of Digital Earth,?2017,?10(9):923-943. DOI:10.1080/17538947.2016.1266041

https://doi.org/10.1080/17538947.2016.1266041

https://www.tandfonline.com/doi/full/10.1080/17538947.2016.1266041

本文引用 [1]

[15]

Zhu?Y Q?and?Yang?J. Automatic data matching for geospatial models: a new paradigm for geospatial data and models sharing[J].?Annals of GIS,?2019,?25(4):283-298. DOI:?10.1080/19475683.2019.1670735

https://doi.org/10.1080/19475683.2019.1670735

https://www.tandfonline.com/doi/full/10.1080/19475683.2019.1670735

本文引用 [1]

[16]

陳述彭, 岳天祥, 勵(lì)惠國. 地學(xué)信息圖譜研究及其應(yīng)用[J].?地理研究,?2000,?19(4):337-343.

https://doi.org/10.11821/yj2000040002

摘要?

[?Chen?S P,?Yue?T X,?Li?H G. Studies on Geo-informatic Tupu and its application[J].?Geographical Research,?2000,?19(4):337-343. ] DOI:?10.11821/yj2000040002

https://doi.org/10.11821/yj2000040002

本文引用 [1]

[17]	陳述彭.?地學(xué)信息圖譜探索研究[M]. 北京: 商務(wù)印書館,?2001. [?Chen?S P.?Research on Geo-information Tupu[M]. Beijing: The Commercial Press,?2001. ] 本文引用 [1]

[18]	陳述彭.?地學(xué)信息圖譜的概念[M]// 陳述彭.地學(xué)的探索(第六卷):地球信息科學(xué). 北京: 科學(xué)出版社,?2003:209-228. [?Chen?S P.?The concept of Geo-information Tupu[M]// Chen S P. Exploration of Geosciences (Volume VI):Earth Information Science. Beijing: Science Press,?2003:209-228. ] 本文引用 [1]

[19]

張洪巖, 周成虎, 閭國年, 等. 試論地學(xué)信息圖譜思想的內(nèi)涵與傳承[J].?地球信息科學(xué)學(xué)報(bào),?2020,?22(4):653-661.

試論地學(xué)信息圖譜思想的內(nèi)涵與傳承

摘要?

[?Zhang?H Y,?Zhou?C H,?Lv?G N, et al. The connotation and inheritance of Geo-information Tupu[J].?Journal of Geo-information Science,?2020,?22(4):653-661. ] DOI:10.12082/dqxxkx.2020.200167

試論地學(xué)信息圖譜思想的內(nèi)涵與傳承

本文引用 [2]

[20]	張春菊, 張雪英, 王曙, 等. 中文文本的事件時(shí)空信息標(biāo)注[J].?中文信息學(xué)報(bào),?2016,?30(3):213-222. 摘要? [?Zhang?C J,?Zhang?X Y,?Wang?S, et al. Annotation of spatial-temporal information of event in Chinese text[J].?Journal of Chinese Information Processing,?2016,?30(3):213-222. ] 本文引用 [2]?摘要?

[21]

王姬卜, 陸鋒, 吳升, 等. 基于自動(dòng)回標(biāo)的地理實(shí)體關(guān)系語料庫構(gòu)建方法[J].?地球信息科學(xué)學(xué)報(bào),?2018,?20(7):871-879.

基于自動(dòng)回標(biāo)的地理實(shí)體關(guān)系語料庫構(gòu)建方法

摘要?

[?Wang?J B,?Lu?F,?Wu?S, et al. Constructing the corpus of geographical entity relations based on automatic annotation[J].?Journal of Geo-information Science,?2018,?20(7):871-879. ] DOI:10.12082/dqxxkx.2018.180032

基于自動(dòng)回標(biāo)的地理實(shí)體關(guān)系語料庫構(gòu)建方法

本文引用 [2]

[22]	Gao?S,?Li?L,?Li?W, et al. Constructing gazetteers from volunteered big geo-data based on Hadoop[J].?Computer, Environment and Urban Systems,?2017,?61:172-186. Redirecting Redirecting 本文引用 [1]

[23]	Hu?Y. Geo-text data and data-driven geospatial semantics[J].?Geography Compass,?2018,?12(11):e12404 本文引用 [1]

[24]	Ju?Y,?Adams?B,?Janowicz?K, et al. Things and strings: Improving place name disambiguation from short texts by combining entity co-occurrence with topic modeling[C].?European Knowledge Acquisition Workshop, Bologna, Italy,?2016. 本文引用 [1]

[25]

Acheson?E,?Volpi?M,?Purves?R S. Machine learning for cross-gazetteer matching of natural features[J].?International Journal of Geographical Information Science,?2020,?34(4):708-734.

https://doi.org/10.1080/13658816.2019.1599123

https://www.tandfonline.com/doi/full/10.1080/13658816.2019.1599123

本文引用 [1]

[26]	張雪英, 閭國年, 杜咪, 等. 大數(shù)據(jù)驅(qū)動(dòng)的地名信息獲取與應(yīng)用[J].?現(xiàn)代測(cè)繪,?2017,?40(2):1-5. [?Zhang?X Y,?Lv?G N,?Du?M, et al. Acquisition and application on geographical names information based on large data driving[J].?Modern Surveying and Mapping,?2017,?40(2):1-5. ] 本文引用 [1]

[27]

Santos?R,?Murrieta-Flores?P,?Calado?P, et al. Toponym matching through deep neural networks[J].?International Journal of Geographical Information Science,?2018,?32(2):324-348.

https://doi.org/10.1080/13658816.2017.1390119

https://www.tandfonline.com/doi/full/10.1080/13658816.2017.1390119

本文引用 [2]

[28]

Wang?S,?Zhang?X Y,?Ye?P, et al. Deep belief networks based toponym recognition for Chinese text[J].?ISPRS International Journal of Geo-information,?2018,?7(6):217. DOI:10.3390/ijgi7060217

IJGI | Free Full-Text | Deep Belief Networks Based Toponym Recognition for Chinese Text

本文引用 [2]

[29]	張春菊, 陳玉冰, 張雪英, 等. 基于交互式與迭代式學(xué)習(xí)的地名語料庫智能構(gòu)建方法[P].?中國:ZL201911029961.4, 2023年1月18日. [?Zhang?C J,?Chen?Y B,?Zhang?X Y, et al. An intelligent construction method for place name corpus based on interactive and iterative learning[P].?China:ZL201911029961.4, 2023-01-18. ] 本文引用 [1]

[30]	Wang?F,?Li?P F,?Zhu?Q M. A hybrid model of classification and generation for spatial relation extraction[C].?In Proceedings of the 29th?International Conference on Computational Linguistics,?2022:1915-1924. 本文引用 [2]

[31]	Zhang?L,?Wang?R Z,?Zhou?J B, et al. Joint intent detection and entity linking on spatial domain queries[C].?In Findings of the Association for Computational Linguistics: EMNLP 2020,?2020:4937-4947. 本文引用 [1]

[32]	Yang?T Y,?Lan?A S,?Narasimhan?K. Robust and interpretable grounding of spatial references with relation networks[R].?2020, DOI:10.48550/arXiv.2005.00696 https://doi.org/10.48550/arXiv.2005.00696 本文引用 [1]

[33]

Song?C,?Lin?Y F,?Guo?S N, et al. Spatial-temporal synchronous graph convolutional networks: A new framework for spatial-temporal network data forecasting[C].?In Proceedings of the AAAI Conference on Artificial Intelligence,?2020,?34(1):914-921. DOI:10.1609/aaai.v34i01.5438

Spatial-Temporal Synchronous Graph Convolutional Networks: A New Framework for Spatial-Temporal Network Data Forecasting| Proceedings of the AAAI Conference on Artificial Intelligence

本文引用 [1]

[34]

Nichols?E,?Botros?F. SpRL-CWW: Spatial relation classification with independent multi-class models[C].?In Proceedings of the 9th?International Workshop on Semantic Evaluation (SemEval 2015),?2015:895-901. DOI:10.18653/v1/S15-2150

SpRL-CWW: Spatial Relation Classification with Independent Multi-class Models - ACL Anthology

本文引用 [1]

[35]

D'Souza?J,?Ng?V. Sieve-based spatial relation extraction with expanding parse trees[C].?In Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing, 758-768, Lisbon, Portugal. Association for Computational Linguistics. DOI:10.18653/v1/D15-1087

Sieve-Based Spatial Relation Extraction with Expanding Parse Trees - ACL Anthology

本文引用 [1]

[36]

Ramrakhiyani?N,?Palshikar?G,?Varma?V. A simple neural approach to spatial role labelling[C]. In: Azzopardi L, Stein B, Fuhr N, et al. (eds) Advances in Information Retrieval. ECIR 2019. Lecture Notes in Computer Science, vol 11438. Springer, Cham. DOI:10.1007/978-3-030-15719-7_13

A Simple Neural Approach to Spatial Role Labelling | SpringerLink

本文引用 [1]

[37]	Shin?H J,?Park?J Y,?Yuk?D B, et al. BERT-based spatial information extraction[C].?In Proceedings of the Third International Workshop on Spatial Language Understanding,?2020:10-17. DOI:10.18653/v1/2020.splu-1.2 BERT-based Spatial Information Extraction - ACL Anthology 本文引用 [1]

[38]

Qiu?Q,?Xie?Z,?Ma?K, et al. Spatially oriented convolutional neural network for spatial relation extraction from natural language texts[J].?Transactions in GIS,?2022,?26(2):839-866. DOI:10.1111/tgis.12887

https://doi.org/10.1111/tgis.12887

https://onlinelibrary.wiley.com/toc/14679671/26/2

本文引用 [1]

[39]

Yu?L,?Qiu?P Y,?Gao?J L, et al. A knowledge-based filtering method for open relations among geo-entities[J].?ISPRS International Journal of Geo-information,?2019,?8(2):59. DOI:10.3390/ijgi8020059

IJGI | Free Full-Text | A Knowledge-Based Filtering Method for Open Relations among Geo-Entities

本文引用 [1]?摘要?

[40]

高嘉良, 余麗, 仇培元, 等. 基于通用知識(shí)庫的地理實(shí)體開放關(guān)系過濾方法[J].?地球信息科學(xué)學(xué)報(bào),?2019,?21(9):1392-1401.

基于通用知識(shí)庫的地理實(shí)體開放關(guān)系過濾方法

摘要?

[?Gao?J L,?Yu?L,?Qiu?P Y, et al. A knowledge-based method for filtering Geo-entity relations[J].?Journal of Geo-information Science,?2019,?21(9):1392-1401. ] DOI:10.12082/dqxxkx.2019.190005

基于通用知識(shí)庫的地理實(shí)體開放關(guān)系過濾方法

本文引用 [1]

[41]

仇培元, 張恒才, 余麗, 等. 微博客蘊(yùn)含交通事件信息抽取的自動(dòng)標(biāo)注方法[J].?中文信息學(xué)報(bào),?2017,?31(2):107-116.

摘要?

[?Qiu?P Y,?Zhang?H C,?Yu?L, et al. An automatic labeling method for extracting traffic event information from microblog messages[J].?Journal of Chinese Information Processing,?2017,?31(2):107-116. ]

本文引用 [1]

[42]

黃宗財(cái), 仇培元, 陸鋒, 等. 基于聯(lián)合主題特征的網(wǎng)絡(luò)新聞文本蘊(yùn)含環(huán)境污染事件檢測(cè)[J].?地球信息科學(xué)學(xué)報(bào),?2019,?21(10):1510-1517.

基于聯(lián)合主題特征的網(wǎng)絡(luò)新聞文本蘊(yùn)含環(huán)境污染事件檢測(cè)

摘要?

[?Huang?Z C,?Chou?PY,?Lu?F, et al. Detection of environmental pollution events in news corpora based on joint thematic features[J].?Journal of Geo-information Science,?2019,?21(10):1510-1517. ] DOI:10.12082/dqxxkx.2019.190037

基于聯(lián)合主題特征的網(wǎng)絡(luò)新聞文本蘊(yùn)含環(huán)境污染事件檢測(cè)

本文引用 [1]

[43]

黃宗財(cái), 仇培元, 王海波, 等. 結(jié)合事件和語境特征的臺(tái)風(fēng)事件信息抽取方法[J].?測(cè)繪科學(xué)技術(shù)學(xué)報(bào),?2019.?36(2):209-214.

[?Huang?Z C,?Qiu?P Y,?Wang?H B, et al. Typhoon event information extraction method based on event and context characteristics[J].?Journal of Geomatics Science and Technology,?2019,?36(2):209-214. ] DOI:10.3969/j.issn.1673-6338.2019.02.018

https://doi.org/10.3969/j.issn.1673-6338.2019.02.018

本文引用 [1]

[44]

Ye?P,?Zhang?X Y,?Zhang?C J, et al. Positioning localities for vague spatial location description: A supervaluation semantics approach[J].?ISPRS International Journal of Geo-information,?2022,?11(1):68. DOI:10.3390/ijgi11010068

IJGI | Free Full-Text | Positioning Localities for Vague Spatial Location Description: A Supervaluation Semantics Approach

本文引用 [1]?摘要?

[45]

Wang?X N,?Du?S H,?Feng?C C, et al. Interpreting the fuzzy semantics of natural-language spatial relation terms with the fuzzy random forest algorithm[J].?ISPRS International Journal of Geo-information,?2018,?7(2):58. DOI:10.3390/ijgi7020058

IJGI | Free Full-Text | Interpreting the Fuzzy Semantics of Natural-Language Spatial Relation Terms with the Fuzzy Random Forest Algorithm

本文引用 [1]

[46]

王圣音, 劉瑜, 陳澤東, 等. 大眾點(diǎn)評(píng)數(shù)據(jù)下的城市場所范圍感知方法[J].?測(cè)繪學(xué)報(bào),?2018,?47(8):1105-1113.

[?Wang?S Y,?Liu?Y,?Chen?Z D, et al. Representing multiple urban places' footprints from Dianping.com Data[J].?Acta Geodaetica et Cartographica Sinica,?2018,?47(8):1105-1113. ] DOI:10.11947/j.AGCS.2018.20180110

大眾點(diǎn)評(píng)數(shù)據(jù)下的城市場所范圍感知方法

本文引用 [1]

[47]	Liu?K,?Qiu?P Y,?Gao?S, et al. Investigating urban metro stations as cognitive places in cities using points of interest[J].?Cities,?2020,?97:102561. DOI:10.1016/j.cities.2019.102561 Redirecting Redirecting 本文引用 [1]

[48]

Sun?K,?Zhu?Y Q,?Song?J. Progress and challenges on entity alignment of geographic knowledge bases[J].?ISPRS International Journal of Geo-information,?2019,?8(2):77. DOI:10.3390/ijgi8020077

IJGI | Free Full-Text | Progress and Challenges on Entity Alignment of Geographic Knowledge Bases

本文引用 [2]?摘要?

[49]

Sun?K,?Hu?Y J,?Song?J, et al. Aligning geographic entities from historical maps for building knowledge graphs[J].?International Journal of Geographical Information Science,?2021,?35(10):2078-2107. DOI:10.1080/13658816.2020.1845702

https://doi.org/10.1080/13658816.2020.1845702

https://www.tandfonline.com/doi/full/10.1080/13658816.2020.1845702

本文引用 [2]

[50]

徐召華, 諸云強(qiáng), 宋佳, 等. 基于詞嵌入的地理知識(shí)庫實(shí)體類別對(duì)齊方法研究[J].?地球信息科學(xué)學(xué)報(bào),?2021,?23(8):1372-1381.

基于詞嵌入的地理知識(shí)庫實(shí)體類別對(duì)齊方法研究

摘要?

[?Xu?Z H,?Zhu?Y Q,?Song?J, et al. Word embedding-based method for entity category alignment of geographic knowledge base[J].?Journal of Geo-information Science,?2021,?23(8):1372-1381. ] DOI:10.12082/dqxxkx.2021.200566

基于詞嵌入的地理知識(shí)庫實(shí)體類別對(duì)齊方法研究

本文引用 [2]

[51]

Yu?L,?Qiu?P Y,?Liu?X L, et al. A holistic approach to aligning geospatial data with multidimensional similarity measuring[J].?International Journal of Digital Earth,?2018,?11(8):845-862. DOI:10.1080/17538947.2017.1359688

https://doi.org/10.1080/17538947.2017.1359688

https://www.tandfonline.com/doi/full/10.1080/17538947.2017.1359688

本文引用 [2]

[52]

Wang?S,?Zhang?X Y,?Ye?P, et al. Geographic knowledge graph (GeoKG): A formalized geographic knowledge representation[J].?ISPRS International Journal of Geo-information,?2019,?8(4):184. DOI:10.3390/ijgi8040184

IJGI | Free Full-Text | Geographic Knowledge Graph (GeoKG): A Formalized Geographic Knowledge Representation

本文引用 [1]?摘要?

[53]	Zhang?X Y,?Huang?Y,?Zhang?C J, et al. Geoscience Knowledge Graph (GeoKG): Development, construction and challenges[J].?Transactions in GIS,?2022,?26(6):1-15. DOI:10.1111/tgis.12985 https://doi.org/10.1111/tgis.12985 https://onlinelibrary.wiley.com/toc/14679671/26/1 本文引用 [1]

[54]

Qiu?P Y,?Gao?J L,?Yu?L, et al. Knowledge embedding with geospatial distance restriction for geographic knowledge graph completion[J].?ISPRS International Journal of Geo-information,?2019,?8(6):254. DOI:10.3390/ijgi8060254

IJGI | Free Full-Text | Knowledge Embedding with Geospatial Distance Restriction for Geographic Knowledge Graph Completion

本文引用 [1]?摘要?

[55]	黃摯文.?臺(tái)風(fēng)災(zāi)害事件知識(shí)圖譜構(gòu)建方法研究[D]. 南京: 南京師范大學(xué),?2021. [?Huang?Z W.?Research on the construction method of knowledge graph for the typhoon disaster events[D]. Nanjing: Nanjing Normal University,?2021. ] 本文引用 [1]

[56]

王曉爽, 李吉東, 徐海紅, 等. 顧及時(shí)空特征的大氣污染執(zhí)法事理圖譜構(gòu)建方法研究[J].?地理與地理信息科學(xué),?2022,?38(3):1-8.

[?Li?J D,?Xu?H H, et al. Logic graph construction of air pollution law enforcement event considering the spatiotemporal features[J].?Geography and Geo-information Science,?2022,?38(3):1-8. ] DOI:10.3969/j.issn.1672-0504.2022.03.001

萬方數(shù)據(jù)知識(shí)服務(wù)平臺(tái)

本文引用 [1]

[57]

Wang?X,?Zhu?Y Q,?Zeng?H Y, et al. Spatialized analysis of air pollution complaints in Beijing using the BERT + CRF model[J].?Atmosphere?2022,?13:1023. DOI:10.3390/atmos13071023

Atmosphere | Free Full-Text | Spatialized Analysis of Air Pollution Complaints in Beijing Using the BERT+CRF Model

本文引用 [1]?摘要?

[58]

朱慶, 王所智, 丁雨淋, 等. 鐵路隧道鉆爆法施工智能管理的安全質(zhì)量進(jìn)度知識(shí)圖譜構(gòu)建方法[J].?武漢大學(xué)學(xué)報(bào)·信息科學(xué)版,?2022,?47(8):1155-1164.

[?Zhu?Q,?Wang?S Z,?Ding?Y L, et al. A method of safety-quality-schedule knowledge graph for intelligent management of drilling and blasting construction of railway tunnels[J].?Geomatics and Information Science of Wuhan University,?2022,?47(8):1155-1164. ] DOI:10.13203/j.whugis20210573

鐵路隧道鉆爆法施工智能管理的安全質(zhì)量進(jìn)度知識(shí)圖譜構(gòu)建方法 - 中國知網(wǎng)

本文引用 [1]

[59]

張永軍, 程鑫, 李彥勝, 等. 利用知識(shí)圖譜的國土資源數(shù)據(jù)管理與檢索研究[J].?武漢大學(xué)學(xué)報(bào)·信息科學(xué)版,?2022,?47(8):1165-1175.

[?Zhang?Y J,?Cheng?X,?Li?Y S, et al. Research on land and resources management and retrieval using knowledge graph[J].?Geomatics and Information Science of Wuhan University,?2022,?47(8):1165-1175. ] DOI:10.13203/j.whugis20210714

利用知識(shí)圖譜的國土資源數(shù)據(jù)管理與檢索研究 - 中國知網(wǎng)

本文引用 [1]

[60]

高嘉良, 陸鋒, 彭澎, 等. 基于網(wǎng)絡(luò)文本遷移學(xué)習(xí)的旅游知識(shí)圖譜構(gòu)建[J].?武漢大學(xué)學(xué)報(bào)·信息科學(xué)版,?2022,?47(8),1191-1200,1219.

[?Gao?J L,?Lu?F,?Peng?P, et al. Construction of tourism attraction knowledge graph based on web text and transfer learning[J].?Geomatics and Information Science of Wuhan University,?2022,?47(8):1191-1200,1219. ] DOI:10.13203/j.whugiS20220120

基于網(wǎng)絡(luò)文本遷移學(xué)習(xí)的旅游知識(shí)圖譜構(gòu)建 - 中國知網(wǎng)

本文引用 [1]

[61]

Qiu?P Y,?Gao?J L,?Lu?F. Identifying the relatedness between tourism attractions from online reviews with heterogeneous information network embedding[J].?ISPRS International Journal of Geo-information,?2021,?10(12):797. DOI:10.3390/ijgi10120797

IJGI | Free Full-Text | Identifying the Relatedness between Tourism Attractions from Online Reviews with Heterogeneous Information Network Embedding

本文引用 [1]?摘要?

[62]

秦川, 祝恒書, 莊福振, 等. 基于知識(shí)圖譜的推薦系統(tǒng)研究綜述[J].?中國科學(xué):信息科學(xué),?2020,?50(7):937-956.

[?Qin?C,?Zhu?H S,?Zhuang?F Z, et al. A survey on knowledge graph-based recommender systems[J].?Sci Sin Inform,?2020,?50(7):937-956. ] DOI:10.1360/SSI-2019-0274

A survey on knowledge graph-based recommender systems

本文引用 [1]

[63]

高嘉良, 仇培元, 余麗, 等. 基于旅游知識(shí)圖譜的可解釋景點(diǎn)推薦[J].?中國科學(xué):信息科學(xué)版,?2020,?50(7):1055-1068.

[?Gao?J L,?Qiu?P Y,?Yu?L, et al. An interpretable attraction recommendation method based on knowledge graph[J].?SCIENTIA SINICA Informationis,?2020,?50(7):1055-1068. ] DOI:10.1360/SSI-2019-0268

An interpretable attraction recommendation method based on knowledge graph

本文引用 [1]

[64]

官賽萍, 靳小龍, 賈巖濤, 等. 面向知識(shí)圖譜的知識(shí)推理研究進(jìn)展[J].?軟件學(xué)報(bào),?2018,?29(10):2966-2994.

[?Guan?S P,?Jin?X L,?Jia?Y T, et al. Knowledge reasoning over knowledge graph: A survey[J].?Journal of Software,?2018,?29(10):2966-2994. ] DOI:10.13328/j.cnki.jos.005551

面向知識(shí)圖譜的知識(shí)推理研究進(jìn)展 - 中國知網(wǎng)

本文引用 [1]

[65]	Zhou?J,?Ke?P,?Qiu?X P, et al. ChatGPT: Potential, prospects, and limitations[J].?Frontiers of Information Technology & Electronic Engineering.?2023. DOI:10.1631/fitee.2300089 ChatGPT: potential, prospects, and limitations \| Frontiers of Information Technology & Electronic Engineering 本文引用 [1]

到了這里，關(guān)于時(shí)空知識(shí)圖譜研究進(jìn)展與展望Spatiotemporal Knowledge Graph的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！