面向地理知识图的区域自适应表示学习

《Neural Networks》：Region-Adaptive Representation Learning for Geographic Knowledge Graph

　　

摘要

地理知识图谱能够整理地理实体及其关联关系，通过知识图谱表示学习为各类地理人工智能任务提供丰富的空间语义信息。作为连接知识图谱与下游任务的桥梁，知识图谱表示学习可通过将实体和关联关系嵌入到低维向量空间中来提升推理速度。然而，现有的知识图谱表示学习方法对不同区域的子图处理方式一致，未能考虑地理知识图谱的空间异质性，这可能导致不同区域的性能存在显著差异。为解决这一问题，本研究提出一种区域自适应知识图谱表示学习方法，以减轻空间异质性对性能的影响。该方法首先通过引入区域先验将原始地理知识图谱划分为多个子图，进而为每个子图学习局部模型，并通过局部到全局的优化过程构建精确的全局模型。在13个数据集上的实验表明，该算法在传统评估指标上与现有方法相当甚至更优，而在新的区域自适应评估指标上则优于所有对比方法。本研究为提升知识图谱表示学习在面对空间异质性场景时的性能提供了方法参考。

引言

地理知识图谱旨在整理地理实体及其关联关系，对于理解地球系统具有重要意义（Flato，2011）。地理知识图谱将城市、河流、地标等实体视为节点，将其关联关系（如“位于”“与……相连”）视为边，从而同时捕捉空间信息和语义信息。与传统地理数据库不同，地理知识图谱整合了地理、时间和主题数据，有助于深入理解空间背景。它可支撑位置服务、城市规划、灾害管理等多种任务，填补了原始数据与人类认知之间的差距。地理知识图谱拥有丰富的空间语义，可应用于兴趣点推荐（Yu等人，2024；Zhang等人，2025）、地理知识推理（Ahmed等人，2023）、交通预测（Jiang等人，2023；Lana等人，2018）等诸多地理智能任务。

为有效处理这些复杂的地理知识，知识图谱表示学习逐渐成为提升地理知识图谱应用性能的核心方法。该技术通过将实体和关联关系嵌入到低维向量空间，学习其潜在的分布式语义（Ji等人，2015；Lin等人，2015），为大规模知识图的计算与推理提供了极具前景的通用解决方案。得益于向量转换（Bordes等人，2013；Ji等人，2021；Peng等人，2023；Wang等人，2014）、张量分解（Nickel等人，2011；Trouillon等人，2016；Yang等人，2014）以及图神经网络（Dettmers等人，2018；Schlichtkrull等人，2018；Vashishth等人，2020）等技术的不断发展，知识图谱表示学习在处理复杂知识图谱方面取得了显著进展。考虑到地理知识图谱中地理知识的独特特性，一些研究试图通过引入地理属性来优化模型性能。例如，Huang等人（2022）提出了MSEN-GRP模型，从结构、语义、属性和空间相似性四个维度计算地理实体间的相似度，为实体表示提供了全面的方法；Qiu等人（2019）则提出了TransE-GDR模型，在传统TransE模型中加入距离约束，进一步提升地理实体的表示能力。这些方法都有效利用了地理特征，提升了地理知识图谱的建模与理解水平。

然而，地理知识图谱存在空间异质性，不同区域的地理知识在数量、类型、密度等方面存在显著差异。这类差异会极大影响地理空间学习方法的效率。如图1所示，地理知识在不同区域的分布程度各不相同。传统的知识图谱表示学习仅使用单一模型来描述所有区域的知识，忽略了各区域的空间异质性，从而导致模型学习出现偏差。传统模型在处理数据稀疏的区域时表现不佳，难以实现准确的表示学习。地理实体数据具有明显的空间异质性，不同区域的实体数量、类型和密度都有所不同，这阻碍了知识图谱表示学习模型保持一致的性能。

为解决这一问题，我们提出了一种区域自适应地理知识表示学习方法。该方法充分考虑地理知识图谱的空间异质性，以此提升表示学习的能力。为确保表示模型能够充分适配不同地理区域的空间特征，该算法首先对地理区域进行子图采样，以便分析不同区域的知识分布情况；随后为每个子图学习符合其局部空间特征的模型，并将学到的局部空间特征融入全局知识中，从而在最终的全局知识表示中平衡不同区域的空间异质性。

具体而言，该区域自适应地理知识表示学习方法需要解决两个问题：第一，如何在数据层面理解空间异质性？空间异质性体现在地理实体的局部分布上，将原始区域划分为更小的研究子区域是理解这种差异的有效方法。在划分子区域时，划分的粒度是一个不可忽视的关键因素——如果子区域过大，实体内部的分布可能会过于复杂；反之，如果子区域过小，实体分布又会过于简单，不利于捕捉统计规律。为此，该算法提出了一种基于区域先验的自适应子图采样策略，以便更好地理解局部差异。第二，如何在模型层面减轻空间异质性带来的偏差？产生偏差的核心原因在于单一全局模型无法平衡所有区域的局部分布差异，往往容易学习到密集区域的分布模式。受模型无关元学习中全局到局部学习框架的启发（Finn等人，2017），如图2(b)所示，该算法在全局模型的基础上，尝试为不同子图学习与其分布特征相匹配的局部模型，从而使全局模型能够更好地平衡各种局部分布模式。

本研究的主要贡献如下：

1）本研究首次强调了空间异质性在地理知识表示中的重要性，指出在表示过程中纳入空间异质性可以有效提升地理知识的表示质量。

2）针对空间异质性问题，本研究提出了一种适用于地理知识图谱的区域自适应表示学习方法。该方法利用区域信息引导知识表示的学习，使表示结果能够反映数据的空间分布特征，为地理人工智能场景下的知识表示学习提供了方法参考。

3）本研究使用了13个具有不同稀疏程度的曼哈顿地区相关信息的地理知识图谱数据集来评估该区域自适应地理知识表示学习方法的性能。实验结果表明，与基准模型相比，该方法的性能有显著提升。

章节节选

知识图谱表示学习

知识图谱嵌入方法用于学习实体和关联关系的嵌入表示，这些嵌入可用于知识图谱内的各类任务（如链接预测），也可用于知识图谱外的任务（如推荐系统）（Ko等人，2022；Zhang等人，2024）。

目前关于知识图谱的大部分研究都致力于构建具有表达能力的评分函数，这类函数通常基于对知识图谱中三元组关联模式的特定假设来构建（Ge等人，2024）。翻译距离模型

RA-KGRL的实现

本节将介绍专门用于提升具有空间异质性的地理知识图谱表示能力的区域自适应知识图谱表示学习方法。

针对第一个挑战，该区域自适应知识图谱表示学习方法通过引入区域概念，将地理知识图谱划分为多个子图，以此理解地理知识图谱的局部变化特征（见图2(a)）。本文中的区域划分是基于实际的地理和行政边界，而非随意设定的

实验部分

本节首先介绍用于评估区域自适应地理知识表示学习方法及基准模型的数据集，并总结这些数据集的主要特征。随后会详细说明实验设置，包括参数配置、评估任务和评价指标。最后会汇报整体的实验结果。

讨论部分

本节会对区域自适应地理知识表示学习方法进行全面分析，以评估所提出的区域自适应学习策略的有效性。具体分析内容包括消融实验、可扩展性分析、数据规模效应分析、参数敏感性评估、迁移能力验证、嵌入可视化分析、计算效率分析、数据集泛化实验、子图粒度分析以及抗噪声能力实验。其中，子图

结论

本文从空间异质性的角度探讨了知识图谱表示学习问题，并提出了区域自适应知识图谱表示学习方法。该研究基于传统评估指标提出了两种区域自适应评估指标，还在13个具有不同稀疏程度的数据集上进行了测试。实验结果表明，该区域自适应地理知识表示学习方法能够有效缓解空间异质性带来的区域表示偏差，进而提升模型在不同区域的整体性能。这一

CRediT作者贡献说明

姚鸿：指导工作、项目管理、资金申请。高立：初稿撰写、结果验证、形式化分析。陈仁耀：概念设计、方法论构建。谢孜：研究调研、数据整理。李新川：资源协调、研究调研。宋海军：资源协调、资金申请。李胜文：指导工作、方法论构建、资金申请、概念设计。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知利益冲突或个人关系。

致谢

本研究的部分工作得到了“深地探测与矿产资源勘查—国家科技重大专项”（2025ZD1006000）、中国湖北省自然科学基金（2023AFA006）以及国家自然科学基金（42571543、42371420）的支持。

Hong Yao|Li Gao|Renyao Chen|Zi Xie|Xinchuan Li|Haijun Song|Shengwen Li