面向海洋观测技术的GLM驱动知识图谱构建框架

《Frontiers in Marine Science》：GLM-OOTKG: an LLM-driven framework for constructing knowledge graphs in ocean observation technology

　　

尽管积累了大量的海洋观测数据和多样化的仪器设备，现代海洋学中仍存在一个关键缺口：仪器及其生成的异构数据集通常被视为孤立的实体，缺乏一个系统的知识图谱（Knowledge Graph, KG）来描绘整体的观测技术生态系统。这种系统性脱节导致了原始仪器规格与其所测量的地球物理参数之间存在严重的语义鸿沟，最终阻碍了自动化的跨平台互操作性和智能数据发现。为了弥合这一鸿沟，研究人员引入了GLM-OOTKG（GLM驱动的海洋观测技术知识图谱），这是一个基于大型语言模型（Large Language Model, LLM）的框架，旨在为海洋观测技术构建一个全面的知识图谱。具体而言，研究人员提出了一种基于约束的提示策略，该策略整合了预定义的领域本体、少样本示例和明确的空响应指令。该策略有效缓解了LLM的幻觉问题，使得能够从非结构化文献中准确提取仪器、规格和变量之间复杂的技术关系。此外，研究人员开发了一种基于Transformer嵌入的双加权排序算法，以协调术语不一致性，并在异构文档间实现精确的实体对齐。在一个精选的海洋学技术文献语料库上进行评估，GLM-OOTKG在实体抽取中达到了88.9%的F1分数，在关系抽取中达到了87.0%的F1分数，分别比无约束基线模型绝对提升了9.0%和13.4%。最终，所生成的知识图谱充当了观测硬件与衍生数据产品之间的稳健语义桥梁，提供了一个结构化的、机器可读的元数据基础，在概念上支持未来的下游任务，例如多源数据同化和“天-空-地-海”观测网络内的跨平台协同。

一、研究背景、现存问题与研究意义

海洋作为地球系统的关键组成部分，蕴藏着巨大的生物、矿产和空间资源。对海洋的探索对于推动海洋科学、优化装备能力和维护海洋权益至关重要，其核心在于海洋观测——即对物理、化学、生物海洋学乃至海洋水文气象等多维参数的系统测量。为了捕捉海洋环境的复杂性，现代海洋测量已演变为一个包含天基、空基、岸基、海基和水下平台的多层级架构。然而，这些平台的多样性带来了显著的数据异构性和语义互操作性挑战。一个关键的瓶颈在于原始仪器规格与其所观测的地球物理变量之间的语义鸿沟。虽然标准化数据格式（如NetCDF、HDF5）能有效记录文件结构和基本元数据，但它们无法从语义上编码底层的观测物理原理。例如，标准元数据可能将一个变量标记为“海表温度”（Sea Surface Temperature, SST），但并未内在地捕获该数据是来自卫星的热红外辐射计（测量皮肤温度）还是系泊浮标的CTD剖面仪（测量体积温度）。这种脱节严重限制了自动化的多源数据融合，并阻碍了对用于业务化定标与验证（Calibration and Validation, Cal/Val）流程的原位地面实况数据的智能发现。

为了解决这一问题，学界已逐步发展了若干标准化的语义框架。早期如开放地理空间联盟（Open Geospatial Consortium, OGC）提出的传感器网络使能（Sensor Web Enablement, SWE）标准和语义传感器网络本体（Semantic Sensor Network, SSN），但这些框架要么服务导向、集成困难，要么设计庞大、采用复杂。最新的模块化SOSA/SSN标准虽提供了灵活的词汇表，但其本质上是空的语义容器，需要大量的人工映射工作，缺乏自动消化和解析描述复杂天-空-地-海观测系统的大量非结构化文献、任务报告和技术手册的生成式灵活性。因此，亟需一种智能化的自动抽取方法，将非结构化文本知识转化为这些标准化的表示形式。

现有领域特定的知识图谱（Domain-specific Knowledge Graph, DKG）研究主要集中在海洋设备故障诊断、遥感环境监测和信息检索等下游应用，而非上游的观测基础设施本身。它们往往将观测仪器视为扁平属性或孤立节点，未能桥接多平台的语义鸿沟。在方法论上，这些研究大多依赖传统的流水线深度学习模型，如BiLSTM-CRF、BERT-BiGRU-CRF或图卷积网络（Graph Convolutional Network, GCN），这些模型需要大量人工标注数据集，且在零样本泛化方面表现不佳。近年来，大型语言模型（Large Language Model, LLM）开始被引入海洋信息学，如OceanGPT等基础模型，以及用于特定子领域的知识图谱构建。然而，这些开创性工作并未解决海洋观测本身的基础拓扑结构，特别是缺乏针对观测技术的严格本体边界，导致无约束的生成式方法容易产生幻觉，例如虚构不存在的传感器或将方法算法与物理仪器混淆。

受跨学科进展和事实核查原则的启发，研究人员提出了GLM-OOTKG（GLM驱动的海洋观测技术知识图谱）框架，旨在填补这一空白。通过利用GLM-4架构的深度上下文注意力机制，并结合基于约束的提示策略与下游的源文本验证，该框架能够动态且可靠地构建一个以技术为中心的语义网络，连接不同的观测平台及其对应的物理参数，从而为未来的多源数据同化和跨平台协同提供坚实的语义基础。

二、主要关键技术方法

研究人员采用了五个阶段的技术流程来构建知识图谱：

1. 1.
   数据采集与语料库构建：从Web of Science核心合集检索涵盖遥感、原位观测网和传感器物理机理三大类别的综述文献（2002-2025年），并以55种典型海洋观测仪器为种子关键词进行检索。
2. 2.
   预处理与上下文保持：将PDF文献转换为纯文本后，通过正则表达式过滤冗余元数据，并按段落和子标题将清洗后的文本切分为逻辑连贯的块，以保留上下文信息。
3. 3.
   基于约束提示的生成式实体关系抽取：调用GLM-4-Plus模型的API，采用一种集成了预定义领域本体（包含13种实体类型）、少样本示例和“空响应”指令的约束提示策略，进行联合实体与关系抽取。随后，通过一个源文本验证的双阶段流程（本体一致性检查和字符串匹配追溯）确保抽取结果的可靠性。
4. 4.
   语义对齐与知识图谱构建：利用all-MiniLM-L6-v2 Transformer模型将抽取的实体映射为384维稠密向量，通过层次凝聚聚类（Hierarchical Agglomerative Clustering, HAC）对同义实体进行分组，并提出一种双加权排序指标（Dual-Weighted Ranking Metric），综合词频和几何中心性，为每个簇选择最代表性的规范标签。
5. 5.
   存储与可视化：将验证后的三元组导入Neo4j图数据库。

三、研究结果

3.1 OOTKG统计分析

• •
  实体抽取统计：结果显示，“盐度”（Salinity）出现频率最高，反映了其在多平台监测中的核心地位。“验潮仪”（Tide gauges）和“温度”（Temperature）也占据显著比例，表明OOTKG成功识别并优先处理了构成天-空-地-海一体化观测生态系统的核心组件。
• •
  关系抽取统计：“测量”（measures）关系最为普遍，符合OGC SWE标准的基本本体论，即仪器主要由其量化的参数定义。“提供”（provides）关系位居第二，强调了多层次观测系统向研究和业务管线输送数据产品的作用。“用于”（used for）关系也占有相当份额，捕获了观测平台的功能多样性。

3.2 性能评估与误差分析

• •
  定量性能与消融研究：在由两位领域专家标注的金标准子集上（含1,245个实体和1,830个关系三元组），GLM-OOTKG在实体抽取和关系抽取上的F1分数分别达到88.9%和87.0%，显著优于传统微调的BERT流水线模型和零样本的Qwen-Max、GLM-4-Plus模型。消融实验证实，完整的约束提示策略（结合本体、少样本和空响应）能将幻觉率降低至接近传统模型的水平（实体1.3%，关系1.7%），同时实现最高的整体F1分数。
• •
  定性错误分析与召回权衡：基线模型存在典型的失败模式，如将算法误分类为仪器（如将“OC3经验波段比算法”误判为“海洋生物仪器”）、将机构误认为观测系统等。而GLM-OOTKG的约束提示能有效过滤此类错误。但同时，过于严格的约束也可能导致召回损失，例如将未在预定义本体中的“深海着陆器”（deep-sea lander）错误地过滤掉，这暴露了本体覆盖范围的局限性。

四、讨论与结论

研究人员提出的GLM-OOTKG框架成功地将生成式人工智能与严谨的数学嵌入模型相结合，为海洋观测技术领域构建了一个标准化的知识图谱。该图谱作为语义中间件，有效地桥接了天基、空基与原位观测元数据之间的鸿沟，为自动化数据融合和智能检索奠定了基础。通过基于约束的提示策略，该框架显著抑制了LLM的幻觉问题，实现了高精度的实体和关系抽取。同时，基于Transformer的双加权排序算法解决了跨文档的术语不一致性问题，确保了图谱的拓扑完整性。

研究结论：本研究提出的GLM-OOTKG框架是一种有效的、基于LLM的海洋观测技术知识图谱构建方法。通过在金标准子集上的评估，该框架在实体抽取（F1: 88.9%）和关系抽取（F1: 87.0%）方面均取得了优异的性能，并将幻觉率降至极低水平。最终生成的知识图谱不仅是一个结构化的知识库，更是一个强大的语义桥梁，为未来在天-空-地-海观测网络中实现多源数据同化和跨平台协同提供了概念性的元数据支撑。