一种基于语义匹配计算文本空间关联性(Spatial Correlation)的方法

《International Journal of Digital Earth》：A semantic matching method for calculating textual spatial correlation

　　

摘要：文本空间关联(Spatial Correlation)量化了文本所描述的知识与特定地理空间之间的关联程度。例如，"海狸鼠为入侵物种"这一陈述仅在特定区域成立。在地理信息科学中，度量文本空间关联不仅是时空计算的基本前提，也是高精度地理人工智能(GeoAI)应用的基石。针对现有方法存在标注依赖性强和计算效率低的问题，研究人员提出了一种空间关联指数(Spatial Correlation Index, SpCI)及相应计算方法。该方法充分利用大规模知识库中的隐式空间知识，通过语义匹配机制实现文本空间关联的高效计算。研究人员基于文本数据及知识图谱(Knowledge Graph, KG)中实体的空间关联计算对该方法的有效性进行了评估。结果表明，所提方法性能可与少样本提示(few-shot prompted)的GPT-4.1和DeepSeek-V3相媲美，且优于其零样本(zero-shot)版本，平均F1值分别提升18.65%和27.27%；同时所提方法的平均计算时间较上述两种大语言模型分别减少77.37%和77.74%。该研究实现了文本空间关联高效度量的突破，为空间相关智能计算提供了必要的技术基础。

论文解读：一种基于语义匹配计算文本空间关联性(Spatial Correlation)的方法

本文发表于《International Journal of Digital Earth》。

一、研究背景与问题提出

随着地理人工智能(GeoAI)的发展，时空数据的需求量激增，文本数据的质量成为大语言模型(LLM)和知识图谱(KG)训练与应用效果的关键因素。空间信息不仅描述地理对象的位置，还约束地理知识的有效性（如某生态现象仅存于特定区域），因此判断文本是否具有空间关联即成为必要步骤。现有方法通常将文本空间关联判定视为文本分类任务：基于深度学习的分类器（如BERT_RCNN）需大量高质量标注语料，成本高昂；主题模型（如LDA）需访问全量数据集，不适合实时评估；大语言模型(LLM)提示(prompting)虽可零样本(zero-shot)运行，但在大规模处理时面临API成本高、数据安全顾虑及本地部署计算效率低下的问题。为克服上述标注依赖与效率瓶颈，研究人员提出了一种基于语义匹配的无监督文本空间关联计算方法。

二、主要关键技术方法

研究人员以Wikidata（20241127版，含113,159,792个实体）为数据源。(1) 构建空间关联指数(Spatial Correlation Index, SpCI)词典(Lexicon_SpCI)：从Wikidata提取含"coordinate location"(P625, globe=Earth, Q2)的地理空间知识三元组(GS_TRIPLES)，筛选出现次数≥100的谓词(predicate)；计算各谓词对应实体集的全球平均最近邻(Average Nearest Neighbor, ANN)指数以量化空间分布异质性，经sigmoid函数压缩后代入SpCI公式——SpCI_i^pred= (1 ? (ANN_SIG_{pred_i}? ANN_SIG_min)/(ANN_SIG_max? ANN_SIG_min)) × num_{pred_i}^gs/num_{pred_i}^all；同时采用BGE-M3模型将谓词的标签(label)、描述(description)及别名(alias)中英文文本转为1024维语义向量，与SpCI共同存入Lexicon_SpCI（最终含11,705个谓词，53,637条语义向量）。(2) 空间关联计算：对待测文本分词、词形还原及去停用词后用BGE-M3编码，通过Faiss库计算输入词与Lexicon_SpCI中各谓词标签向量的余弦相似度(sem_sim)，取最高相似度谓词对应的SpCI与相似度相乘得该词的空间关联值(SpatialCol_{in_word_n}= sem_sim(in_word_n, pred_h) × SpCI_h^pred)，文本最终空间关联值取各词SpatialCol中的最大值。

三、实验结果

3.1 文本数据的空间关联(Spatial correlation of textual data)

基于Tian等人构建的时空关联文本数据集ST-texts（2,026条，分无关联、弱关联、中等关联、强关联四档）进行验证。分类评估采用优化映射策略后，所提方法平均F1值为0.7073，优于GPT-4.1_zero(0.5489)和DeepSeek-V3_zero(DS-V3_zero, 0.6519)，略低于少样本提示(few-shot)LLM方法；在"强关联"类别上F1值达0.8390为最优。连续值一致性评估显示所提方法平均绝对误差(MAE)=0.2303、均方根误差(RMSE)=0.2798，均低于两款零样本LLM，说明输出数值更接近标注类别中心，虽LLM的Spearman's ρ更高反映排序能力更强。方法学验证表明谓词筛选阈值100为最优（平衡噪声与覆盖），BGE-M3嵌入模型效果优于Qwen3-Embedding-0.6B和paraphrase-multilingual-MiniLM-L12-v2。效率对比显示所提方法平均耗时约11分钟，较LLM方法降低77.37%，且运行时仅需约2.7 GB RAM和2.5 GB VRAM。

3.2 知识图谱中实体的空间关联(Spatial correlation of entities in KG)

基于mmkg数据集（DB15k、FB15k、Yago15k）构建GeoKG_ents数据集（含带坐标谓词子集GeoKG_ents_with_coor及去除显式坐标谓词子集GeoKG_ents_no_coor，各1,800实体，正负样本均衡，Cohen's κ=0.82），最佳分类阈值为0.244。对于GeoKG_ents_with_coor所提方法F1=0.6971，与DS-V3_few_no_coor(0.7173)相当；对于GeoKG_ents_no_coor所提方法F1=0.6764为所有方法中最高，且较自身with_coor版本仅微降，显著优于所有LLM方法（LLM在去除坐标谓词后大幅下降，DS-V3_few_coor甚至降至0.2771），证明所提方法对隐式空间语义捕捉更稳健，不依赖显式坐标谓词。效率方面所提方法平均耗时549.56秒，较LLM方法减少77.74%。

3.3 错误分析(Error analysis)

错误主要源于两类：①句中主宾语含空间语义词（如"building"作宾语）被误判致空间关联高估（占62.97%）；②常见词兼具空间与非空间谓词用法致SpCI偏差（占37.03%）。未来可通过句法分析或按地理坐标实体使用比例动态修正。

四、讨论与结论

讨论指出所提方法在连续值输出及阈值分类场景具数值稳定性和高效率优势，对缺失显式坐标的KG具强鲁棒性；局限在于当前为词级最大相似度匹配近似词袋(Bag-of-Words)模型，未充分考虑否定及句法上下文，SpCI仅基于Wikidata谓词可能遗漏地名类型等非谓词空间表达，且受Wikidata本身覆盖偏差影响。LLM虽具强语义理解但存稳定性、成本及隐私问题，轻量大语言模型(SLM)与语义匹配框架结合是未来方向。

结论：研究人员提出一种基于Wikidata挖掘谓词空间特征构建SpCI并结合BGE-M3语义向量形成Lexicon_SpCI、通过语义匹配计算文本空间关联的方法。实验表明该方法性能可与few-shot GPT-4.1和DeepSeek-V3媲美且优于其zero-shot版本（平均F1分别提升18.65%和27.27%），平均计算时间分别减少77.37%和77.74%，可为GeoAI流水线中大规模文本空间关联评估提供可扩展高效解决方案。未来工作包括引入上下文分布线索精炼SpCI、融合轻量本地LLM增强语义理解及应用于时空事件抽取与GeoAI数据质量评估。