大语言模型驱动的可持续矿山生态修复知识图谱构建与修复措施决策支持

《Sustainability》：Large Language Model-Driven Knowledge Graph Construction and Restoration Measure Decision Support for Sustainable Mine Ecological Restoration

　　

矿山生态修复涉及生态问题识别、修复措施选择和修复效果评价等多个任务。相关知识广泛分散于学术文献和政策法规文本中，难以直接支持结构化查询、知识关联和措施筛选。针对矿山生态修复中知识组织不足以及大语言模型抽取三元组质量不稳定的问题，研究人员提出了一种大语言模型驱动的矿山生态修复知识图谱构建与修复措施决策支持工作流。首先，构建了包含8种实体类型和8种关系类型的弱本体模式，并基于30篇矿山生态修复论文开发了人工标注数据集。其次，在多个大语言模型上比较了三元组抽取任务的表现，并选择综合性能最佳的Kimi进行大规模知识抽取。在此基础上，提出了一种弱本体引导的三元组质量控制方法WOTQC，用于检查候选三元组在实体类型、关系类型、关系方向和实体指向上的结构一致性。随后引入DeepSeek，基于原始文本证据进行验证。之后，对验证后的三元组进行实体归一化和关系聚合，构建矿山生态修复知识图谱。进一步围绕“生态问题–修复措施–修复效果”路径进行了路径挖掘、修复措施决策支持和外部案例验证。实验结果表明，基于Kimi的初始抽取F₁分数为0.7286；经过WOTQC处理后，F₁分数提高到0.7561；经过DeepSeek证据验证后，进一步提高到0.7862。最终知识图谱包含18783个实体节点和23149条关系，并识别出3048条“生态问题–修复措施–修复效果”路径。外部案例验证表明，集成排序方法在严格Hit@3和严格Hit@5下均达到1.00，路径解释覆盖率@5为0.7500。知识图谱的排序结果与实际矿山生态修复设计方案中的主要工程措施表现出良好对应关系。结果表明，弱本体约束和基于原始文本证据的验证可以提高三元组抽取的可靠性，而实体归一化和关系聚合可以增强知识图谱的结构一致性。所构建的知识图谱可为矿山生态修复中的知识组织、候选修复措施筛选和修复方案制定提供可追溯且可解释的知识支持，从而支持更有依据的、基于证据的修复决策，并有助于退化矿区长期生态恢复和可持续管理。

矿山生态修复涉及生态问题识别、修复措施选择与修复效果评价等多项任务，相关知识广泛分散于学术文献与政策法规文本中，难以直接支持结构化查询