地理实体关联关系的构建与应用

吴昊，艾廷华，张甄宇，孔博，余华飞

武汉大学资源与环境科学学院，武汉 430079

摘  要：地理实体关联关系是新型基础测绘体系中的核心内容，不仅揭示了地理空间中各实体间的多维度联系，还体现了空间、社会与技术因素在地理现象中复杂的交织作用，构建完备的地理实体关联关系网络对提升地理信息服务智能化水平具有重要意义。本文从物理、人文和数字三重世界的视角出发，首先，深入探讨地理实体关联关系的内涵与构建方法，提出基于图结构的地理实体关联关系模型；其次，研究多种地理实体关联关系创建途径，包括基于文本数据的社会关系创建、基于几何数据的空间关系计算，以及基于深度学习的隐式关系挖掘；最后，系统分析地理实体关联关系的应用方式，涵盖基础应用、关联查询及图计算分析等场景。结果表明，所提出的模型及方法能够有效支撑地理实体关联关系图谱的构建分析，可提升地理信息服务智能化水平，能够为城市规划、资源管理及应急响应等领域提供有力支持。

关键词：地理实体；关联关系；智能服务；图结构；新型基础测绘；地理实体建模

引用格式：吴昊, 艾廷华, 张甄宇, 孔博, 余华飞. 2025. 地理实体关联关系的构建与应用. 时空信息学报, 32(1): 31-39

Wu H, Ai T H, Zhang Z Y, Kong B, Yu H F. 2025.Construction and application of geo-entity relationships.Journal of Spatio-temporal Information, 32(1): 31-39, doi: 10.20117/j.jsti.202501005

1  引  言

地理实体是新型基础测绘的核心纽带，以占据一定连续空间并具有单独完整功能的事物为对象，融合人文、物理及数字世界信息，将多源时空数据整合成身份唯一的地理实体对象。地理实体关联关系为地理实体建模中的重要方面，记录了实体间的相互作用及功能依赖，以万物互联的思想表达了人文、物理及数字世界的联系，是地理实体区别于传统地理要素的重要标志（周成虎等，2021；刘纪平等，2023；Chen等，2025）。构建完备的地理实体关联关系网络，一方面可有效提高地理信息的服务智能化水平，为相关知识表示、推理应用奠定数据基础；另一方面以图模型组织实体网络可以与以深度学习和知识图谱为代表的人工智能技术深度耦合，提升智能处理的水平和效能（陈军等，2019；凌朝阳等，2023）。

图谱化的地理实体关联关系建模以高度抽象的节点描述现实世界中的地理现象和事物，重点突出地理空间对象的个性化特征，以边代表地理实体间的关联关系，表达地理实体在社会管理、时空行为、逻辑推理等诸多方面的耦合关联。然而当前围绕地理实体的研究多从实体本体蕴含的信息出发，例如，蒋捷等（2009）开展的地理实体数据建模研究，将图元映射到实体上，构建地理实体数据产品；华一新和周成虎（2017）进一步提出基于时空域的全时空数据模型，验证了地理实体模型在组合和管理方法中的可行性；林木棵等（2021）、曹全龙等（2023）聚焦地理实体数据自身的组织描述，构建了以图元为基础的地理实体数据模型；张政等（2025）在顾及地理实体语义完整性的基础上，建立了地理实体数据多维的组织机制。

上述研究从新型测绘产品构建出发，强调地理实体自身信息的表达，未考虑利用地理实体之间的联系来表达地理实体关联关系，限制了地理实体关联关系的知识挖掘与推理。因此，本文围绕地理实体建模中的实体关系信息，通过分析人文、物理及数字世界中的地理实体关联关系内涵，归纳总结出地理实体在社会管理、时空演化、数字孪生等角度的关联类型；提出基于图结构的地理实体关联关系模型，以及联合图数据库和空间数据库的实体关系存储机制；进而系统性地研究地理实体关联关系信息的构建与应用途径，并验证可行性。

2  地理实体关联关系内涵与表征

地理实体关联关系是地理空间中不同实体之间基于位置、属性或功能所形成的邻接、包含、交互或依赖等联系，不仅揭示了实体间多维度、多功能与多层次上的复杂联系，还反映了地理现象、空间设施与地理场景之间的相互作用、时空关联、功能依赖及机制耦合。构建实体关系需要深入理解实体关系的内涵及其形成机理，并在此基础上进行系统化与数字化表征，才能反映地理实体间的动态特征与复杂行为。

2.1三重世界中的关系认知

地理实体关联关系源于其所处的地理空间中物质与信息持续的交流与互动。对实体关系的认知可以从物理世界、人文世界及数字世界三个维度展开，实体间的关系也可视为这三重世界中的信息流通与交互作用的产物，进而形成多样化的关系类型与形式，体现了空间、社会与技术等因素在地理空间中的交织、对抗与协同作用。三重世界中的关系认知如图1所示。

所有客观存在的地理实体均属于物理世界的一部分。从物理世界的视角来看，实体关联关系是基于其在地理空间中的现实存在，具体表现为空间拓扑、时态演化与语义交互等多维度联系。此类关系在实体建模中可通过空间关系（如拓扑、距离、方位）、时态关系（如时序、演化）、语义关系（如相似性、组合性）及其复合关系的更高层次形式进行表征。

人文世界是建立在物理世界之上的以人为本的领域。其主体是在社会中活动的个体，随着人类社会的复杂化与有序化，人与人之间持续进行着能量与信息的交流和互动，催生了众多社会关系。从人文世界的视角来看，实体关系主要表现在人地联系、社会交互及公共管理等方面，多由社会规范中约束与规则所构建，如行政管辖中的归属关系、社会功能交互中的依附关系、地理实体融入经济活动后的服务关系、归属关系等。人文世界中的关系是一种人为构建的联系，反映了社会成员与地理实体之间达成的共识，具有时效性和条件性。

数字世界是以数字化手段表达地理实体的属性、行为及关系。孪生实体之间，以及孪生实体与物理母体之间，会产生多种虚拟关系，如身份映射关系、替代关系、转移关系与委托关系等。基于孪生实体的虚拟关系可在信息交互与空间功能的模拟上提升地理实体建模的数字化程度。

上述三种维度下的地理实体关联关系并非彼此孤立，而是通过信息流通和交互作用相互联系共同构建关系网络。物理世界与人文世界的沟通由人地互动和空间约束的社会规范实现，如行政区划基于地理连续性并受社会需求制约；人文世界与数字世界的沟通依赖数据采集与规则数字化，如将交通管理规则转化为算法模型；物理世界与数字世界的沟通借助数字孪生技术，通过实时数据传输和虚拟反馈优化物理实体管理。

2.2实体关系表征与存储

经典地理信息系统（geographic information system，GIS）数据模型关注地理实体的空间与语义特征，对于实体间的关系信息通常由实时计算分析得到，且多限于拓扑关系，较少涉及社会领域等其他关系，面向地理实体间丰富关系信息进行存储、管理与应用时存在局限性。为实现地理实体关联关系的表达与存储，研究建立基于图模型的地理实体表达模型：

G=G（V，E，P）

其中，V为实体集；E为关系集；P为属性集。将不同粒度、维度和类型的地理实体抽象为图节点，由不同性质的边相互连接，体现空间、功能、归属等关系类型。

传统地理空间数据库是以点、线、面等几何元素为基本单元构建地理空间数据表，关系信息是随着其空间对象分开存储在对应结构组织的表中以主键关联形式来实现的，导致难以存储复杂多样的地理实体关联关系，且检索效率较低。因此，结合传统地理空间数据库，本文使用面向图模型设计的图数据库存储地理实体关联关系，试图以数据库所具备存储和处理复杂关联关系的优势，来弥补传统关系型数据库在处理海量复杂关系上功能的不足，持久化海量复杂关系存储，提升深度关联查询效率。实验设计一套联合图数据库和地理空间数据库的地理实体存储机制，通过地理实体编码实现将关系信息挂接到地理实体模型当中，联合空间数据库与图数据库的地理实体关联关系存储如图2所示。利用图数据库存储地理实体关联关系可以有效地存储各类地理实体关联关系及关系属性，并借助GeoEntityID完成图数据库中的图节点与地理实体数据库的实体单元间的一一对应，可有效地对地理实体关联关系进行存储管理，并提升关系查询效率（Feng等，2018；朱庆等，2020）。

3  地理实体关联关系构建

地理实体关联关系描述了地理实体之间的空间、时间、功能和语义上的联系，揭示了地理现象和地理过程的相互依存关系、演化规律及未来发展趋势，从而为地理信息分析和决策支持提供了基础。基于上文所述对三重世界中地理实体关联关系的认知，实体关系创建需要依托文本资料提取人文世界关系，依据空间数据计算物理世界关系，并基于深度学习、知识图谱等人工智能技术挖掘隐式存在的地理实体关联关系。

3.1基于文本语义数据的关系创建

面向人文世界构建地理实体关联关系，需要从大量的文本数据中提取实体及实体关系。与地理空间数据相比，文本数据包含地理实体间复杂的社会、经济和文化关系。例如，行政管理部门发布的公告中通常包含有关地理实体管辖关系、服务关系信息；网络发布新闻报道、社交媒体等非结构化文本也能提供有关地理实体动态变化的信息。基于文本数据创建地理实体关联关系，不仅能增强地理实体关联关系的时效性和全面性，也能为管理决策、城市规划等地理实体产品下游应用提供更为丰富的数据支持。

记录实体关系的文本数据来源丰富多样，包括但不限于政府发布的行政管理文件、组织机构的公告，以及各种互联网文本。地理实体关联关系常在其中以显式或隐式的方式呈现，随着大语言模型（large language model，LLM）在自然语言处理领域中的广泛应用，基于文本数据的地理实体关联关系创建效率得到了显著提升。图3展示了基于LLMs构建地理实体关联关系的关键步骤为：

（1）进行数据预处理，去除噪声数据，包括无关的广告、标点符号及重复内容；

（2）进行词法分析，利用命名实体识别技术识别地理实体，并进行实体去重分类，完成地理实体节点抽取；

（3）通过句法依存分析，明确文本中地理实体间的管理关系，并存入实体关系数据库中。

LLM补足了处理文本数据时的语言理解能力，可以知识化集成海量地理实体关联关系，提升地理实体及关联信息的标注化，消除或减少歧义重复数据。

3.2基于空间几何数据的关联关系创建

空间关系描述了地理实体间相对位置、邻近性及相互作用，揭示了地理实体间的拓扑结构和空间互动规律，对于理解地理现象、优化空间布局和制定科学决策具有重要意义。许多地理实体关联关系，如城市间的交通流动、生态保护区与周边区域的影响范围、土地使用的空间规划等，均体现为空间关系。在空间数据日益丰富的背景下，基于空间关系创建地理实体关联关系，不仅支持基于地理实体进行更加准确和动态的空间分析，也为城市规划、资源管理、灾害监测等应用场景提供了数据支持。

通过对地理实体几何信息进行空间计算，可以得到基础的空间拓扑关系、空间方位关系及空间距离关系，进而可以建立初步的地理实体空间关联关系。然而，面向现实地理实体空间关系应用时，需针对实际应用需求，建立空间关系分析模型探测计算地理实体间的空间关系。例如，在进行建筑区规划时，为了最大化利用光照资源，需要计算房屋实体间的光照遮挡关系，即需要依据太阳高度角、太阳方位角、建筑物形状及建筑物距离，建立日照分析模型计算房屋实体间的光照遮挡关系（图4）。

3.3基于深度学习的关联关系挖掘

深度学习和知识图谱利用强大的计算能力和大规模数据处理的优势，通过自动学习挖掘地理实体之间的关联性，为研究提供了深入理解和预测地理实体关联关系的新途径。深度学习是一种基于人工神经网络的机器学习方法，通过对大量地理实体关系图谱数据进行训练，可以自动提取数据中隐式存在的关联关系（Yang 等，2024）。知识图谱是一种基于知识表示和推理的数据模型，用于存储和组织实体之间的关系，将地理实体及其属性和关系表示为图结构，利用语义关系将地理实体连接起来（Bellomarini 等，2017；Wang 等，2023）。目前，深度学习方法已成为许多学科科学研究中不可或缺的一部分。然而，其通常无法执行模式分析与利用空间矢量数据进行知识挖掘，究其原因，在大多数情况下，这些数据不是底层网格或数组结构，只能建模为图形结构。因此，目前许多研究使用图卷积神经网络（graph convolutional neural network，GCNN）结构来分析图结构的空间矢量数据，并结合图数据库语言深入挖掘地理实体中隐含的关系（Yu等，2023；Xiao等，2024；孔博等，2024）。

本文基于深度学习的地理实体关联关系生成如图5所示。采用基于图自编码器的图谱关系生成方法，借鉴图自编码器的边重构学习思想实现知识图谱的节点关系挖掘，通过学习重构已有的节点关系推断节点间的潜在关系。具体地，考虑知识图谱多种节点、多样关系的异构特性，图自编码器的图卷积算子选择异构图卷积算子。在训练阶段，通过异构GCNN实现节点信息传播并生成新的节点嵌入Z，融合节点属性特征的相似性与差异性，从而能够实现基于节点嵌入的边重构：

A′=σ（Z，Z^T）

此处重构的边为图谱中已知的节点关系，此类关系将作为损失函数（Loss）计算的标签，从而实现图自编码网络的反馈调整。当图自编码器能够准确重构已知的图谱关系后，说明模型已具备挖掘节点关系的能力，因此，在推理阶段可以使用基于图节点水平的嵌入矩阵重构图结构不同类型的边，此时的边即为知识图谱的多样关系。

4  地理实体关联关系应用

地理实体关联关系反映地理空间中不同实体间的联系和相互作用，对空间数据管理与查询、地理分析和决策支持、空间模拟及预测都有重要作用。完善的地理实体关联关系图谱是重要的地理知识底座，可有效地服务于以深度学习、知识图谱技术为代表的新质生产力。

4.1地理实体关联关系基础应用

地理实体基础关系推理应用是对现有的地理实体关联关系库进行质量检测、关系拓展等一系列基础关系的推理应用。目的是确定地理实体关联关系库能否适应预期的应用场景。基础的地理实体关联关系推理包括三个子任务，分别为关系检查、关系补全及关系拓展。

1）地理实体关联关系检查

地理实体关联关系检查是基于现有的地理实体关联关系，进行关系推理，通过自动化算法或人工规则等方式，识别基础地理实体库中可能存在错误的地理实体或地理实体关联关系。一方面可以利用推理规则检测地理实体关联关系间的逻辑不自洽，检索地理实体关联关系库中的错误关系；另一方面可以利用推理规则的相互性检测地理实体间关联关系的冗余，进而精简地理实体关联关系库的体量。

2）地理实体关联关系补全

地理实体关联关系补全是基于现有的地理实体关联关系，检测地理实体关联关系库中缺失的地理实体关联关系。地理实体关联关系库可以依靠知识图谱技术，基于已有结构化的数据资源进行转化，形成基础地理实体数据库，然后以知识推理规则进行知识补全，即从多种地理实体间的关系进一步拓展地理实体关联关系，提升地理实体关联关系的质量。

利用关系推理进行地理实体关联关系补全，首先可基于本体推理的补全方法，即在地理实体关联关系模式层的概念层面进行推理，对实体关联关系进行补全。其次，可利用基于图结构和关系路径特征，通过地理实体在实体关系库之间的路径和实体关系图结构提取特征，利用随机游走算法（张良富等，2019），叠加线性的学习模型进行关系预测，进而补全地理实体关联关系。

3）地理实体关联关系拓展

地理实体关联关系拓展即利用关系推理，充分利用地理实体关联关系库的关系信息对地理实体的关系进行增强。与关系补全不同，地理实体关联关系拓展是一个在开放世界下的地理实体关联关系增强；在补全现有关系缺失的基础上，针对地理实体应用需求补全新的实体关系，不断拓展地理实体关联关系库的规模，增强地理实体之间的关联关系，挖掘地理实体之间的隐藏关系，使得能够更加直接地服务于智能化地理实体信息服务。

4.2基于Cypher的实体关系应用

Cypher是一种用于查询图数据库的语言，相当于关系型数据库中的SQL语言，能够快速地对图数据进行增删改查，提供了强大的查询和关系建模能力（He 等，2022）。针对基于图数据库存储的地理实体关联关系，Cypher语言能够高效地表达和处理地理实体之间的多层次、多维度关系（Almabdy，2018）。如图6所示，使用Cypher语言中简单的MATCH即可对图数据库进行查询，得到前文基于文本数据构建的学校–社区服务关系。同时，Cypher语言中也整合了众多面向图结构数据的算法，如计算图节点之间最短路径的迪杰斯特拉算法（Dijkstra’s algorithm），如图7所示，基于地形特征线实体关系网络在山区进行路径探测，可利用Cypher语言中提供的shortestPath函数和地形结构线实体间的夹角关系，计算出一条相对平坦的山区越野路线，可有效支持野外救援、公路规划等任务。基于Cypher的地理实体关联关系应用，能够实现高效的空间数据建模、关系提取及复杂查询，可有效地支撑基于地理实体关联关系图谱的分析决策。

4.3基于图计算的地理实体关联关系应用

针对地理实体关联关系应用，在简单的推理应用基础上，更需要对地理实体间复杂的空间、语义及功能关系进行分析挖掘，揭示隐含的地理实体关联关系，进而预测相关事物事件的发展趋势。借助图论提供图算法，能够在实体关系网络中对地理实体关联关系进行分析；通过图传播算法，可预测信息、疾病等在地理实体之间的传播路径和影响范围。通过图中心性分析、社区检测等技术可有效识别出地理网络中的关键节点和潜在风险区域，为应急响应、资源优化配置提供科学依据（王靖涵等，2024；Wang等，2024）。

如图8所示，基于道路实体关系网络进行图计算，依据基于空间计算构建的完备的道路交通实体通达关系网络进行图计算，利用空间形态分析因子计算路网内道路实体与其他道路实体的聚集或离散程度，进而定量地分析出每个道路实体在整个道路实体网络中重要程度与通达性。重要程度指数可有效地辅助行政管理部门进行道路规划建设，通达性可有效地辅助商业选址、公共设施选址等应用场景。

5  结  论

关联关系是地理实体这一新型基础测绘体系中核心产品的重要信息，完备的地理实体关联关系图谱可有效地支持从简单地理实体应用到深入数据挖掘。本文从物理、人文和数字世界三个视角，深度探讨了地理实体间复杂的空间、时间、功能和语义联系，归纳总结出地理实体在社会管理、时空演化、数字孪生等角度的关联类型；设计并建立了基于图结构的实体关联关系表达模型及存储机制；通过基于文本数据、几何数据和深度学习等方法，实现了对基于多源数据的地理实体关联关系智能化构建。

基于构建的地理实体关联关系图谱，提出了地理实体关联关系应用途径。在关系检查、关系补全及关系拓展三类基础关系推理任务的基础上，补全完善的地理实体关联关系图谱。通过图数据查询、图路径等手段进行了实体关系的查询演示等基础服务应用，进而研究通过图计算等手段实现复杂场景下的实体关系推理应用。研究成果对于实体关联关系的认知及构建应用具有重要意义，可有效地解决当前地理实体生产中关系信息不足的问题，提升地理实体关联关系图谱构建智能化程度；融合了人文、物理、数字世界中的多样化关系，有利于对全空间内地理实体的全面认知与科学管理。不同层次下的地理实体关联关系应用方案，可推动地理实体数据的落地应用，以期能够为地理实体关联关系的生产以及应用提供参考方案。

下一步研究将聚焦于以下两个方面。一是建立面向多源异构数据的地理实体关联关系整合机制，减少关系冗余，消除歧义重复实体；二是进一步与人工智能技术相对接，以提升地理实体服务行业智能化水平。

参考文献（References）

曹全龙, 王会娜, 杜萌, 宫萌, 张璐, 蒋笑. 2023. 地理实体模型构建与表达研究. 时空信息学报, 30(1): 64-69 [Cao Q L, Wang H N, Du M, Gong M, Zhang L, Jiang X. 2023. Research on construction and representation of geo-entity model. Journal of Spatio-temporal Information, 30(1): 64-69 (in Chinese)]

陈军, 刘万增, 武昊, 李志林, 赵勇, 张蓝. 2019. 基础地理知识服务的基本问题与研究方向. 武汉大学学报(信息科学版), 44(1): 38-47 [Chen J, Liu W Z, Wu H, Li Z L, Zhao Y, Zhang L. 2019. Basic issues and research agenda of geospatial knowledge service. Geomatics and Information Science of Wuhan University, 44(1): 38-47 (in Chinese)]

华一新, 张江水, 曹一冰. 2021. 基于时空域的全空间数字世界时空对象组织与管理研究. 地球信息科学学报,23(1): 76-83 [Hua Y X, Zhang J S, Cao Y B. 2021. Research on organization and management of spatio-temporal objects in pan-spatial digital world based on spatio-temporal domain. Journal of Geo-Information Science, 23(1): 76-83 (in Chinese)]

华一新, 周成虎. 2017. 面向全空间信息系统的多粒度时空对象数据模型描述框架. 地球信息科学学报, 19(9): 1142-1149  [Hua Y X, Zhou C H. 2017. Description frame of data model of multi-granularity spatio-temporal object for pan-spatial information system. Journal of Geo-Information Science, 19(9): 1142-1149 (in Chinese)]

蒋捷, 黄蔚, 卢卫华, 郑新燕. 2009. 地理信息公共服务平台地理实体数据建模研究. 地理信息世界, 16(4): 11-18 [Jiang J, Huang W, Lu W H, Zheng X Y. 2009. Research on entity-based data modeling for national geo-spatial information service platform. Geomatics World, 16(4): 11-18 (in Chinese)]

孔博, 艾廷华, 杨敏, 吴昊, 余华飞, 肖天元. 2024. 等高线形态知识与图神经网络联合作用下的黄土地貌类型识别. 测绘学报,53(6): 1154-1164 [Kong B, Ai T H, Yang M, Wu H, Yu H F, Xiao T Y. 2024. Identification of loess landform types jointly affected by contour morphological knowledge and the graph neural network. Acta Geodaetica et Cartographica Sinica, 53(6): 1154-1164 (in Chinese)]

林木棵, 郭功举, 刘一宁. 2021. 面向新型基础测绘的地理实体数据模型实现与应用. 测绘通报, (S1): 75-78 [Lin M K, Guo G J, Liu Y N. 2021. Implementation and application of geo-entity data model for new fundamental surveying and mapping. Bulletin of Surveying and Mapping, (S1): 75-78 (in Chinese)]

凌朝阳, 李锐, 吴华意, 李江, 桂志鹏. 2023. 语义驱动的地理实体关联网络构建与知识服务. 测绘学报,52(3): 478-489 [Ling Z Y, Li R, Wu H Y, Li J, Gui Z P. 2023. Semantic-driven construction of geographic entity association network and knowledge service. Acta Geodaetica et Cartographica Sinica, 52(3): 478-489 (in Chinese)]

刘纪平, 刘坡, 翟亮, 戴昭鑫. 2023. 基础地理实体的特征分析与表达初探. 测绘科学, 48(8): 1-9 [Liu J P, Liu P, Zhai L, Dai Z X. 2023. Characteristic analysis and modeling of fundamental geo- entities. Science of Surveying and Mapping, 48(8): 1-9 (in Chinese)]

王靖涵, 艾廷华, 吴昊, 徐海江, 栗广岳. 2024. 基于图结构的空间同位模式挖掘. 测绘学报, 53(4): 724-735 [Wang J H, Ai T H, Wu H, Xu H J, Li G Y. 2024. Spatial co-location pattern mining based on graph structure. Acta Geodaetica et Cartographica Sinica, 53(4): 724-735 (in Chinese)]

张良富, 李翠平, 陈红. 2019. 大规模图上的SimRank计算研究综述. 计算机学报, 42(12): 2665-2682 [Zhang L F, Li C P, Chen H. 2019. Research progress of SimRank computation on big graph: A survey. Chinese Journal of Computers, 42(12): 2665-2682 (in Chinese)]

张政, 张江水, 曹一冰, 陈敏颉, 崔鹏雨．2025. 面向地理实体数据的多维组织方法和分布式异构数据库存储. 时空信息学报, 1-20. http://kns.cnki.net/kcms/detail/10.1904.P.20250110.1306.002.html. [2025-01-15] [Zhang Z, Zhang J S, Cao Y B, Chen M J, Cui P Y. 2025. Multidimensional organization method for geo-entitydata and distributed heterogeneous database storage. Journal of Spatio-temporal Information, 1-20. http://kns.cnki.net/kcms/detail/ 10.1904.P.20250110.1306.002.html. [2025-01-15] (in Chinese)]

周成虎, 王华, 王成善, 侯增谦, 郑志明, 沈树忠, 成秋明, 冯志强, 王新兵, 闾海荣, 樊隽轩, 胡修棉, 侯明才, 诸云强. 2021. 大数据时代的地学知识图谱研究. 中国科学: 地球科学, 51(7): 1070-1079 [Zhou C H, Wang H, Wang C S, Hou Z Q, Zheng Z M, Shen S Z, Cheng Q M, Feng Z Q, Wang X B, Lü H R, Fan J X, Hu X M, Hou M C, Zhu Y Q. 2021. Research on geo-knowledge map in the age of big data. Science China Earth Sciences, 51(7): 1070-1079 (in Chinese)]

朱庆, 冯斌, 李茂粟, 陈媚特, 徐肇文, 谢潇, 张叶廷, 刘铭崴, 黄志勤, 冯义从. 2020. 面向动态关联数据的高效稀疏图索引方法. 测绘学报, 49(6): 681-691 [Zhu Q, Feng B, Li M S, Chen M T, Xu Z W, Xie X, Zhang Y T, Liu M W, Huang Z Q, Feng Y C. 2020. An efficient sparse graph index method for dynamic and associated data. Acta Geodaetica et Cartographica Sinica, 49(6): 681-691 (in Chinese)]

Almabdy S. 2018. Comparative analysis of relational and graph databases for social networks//Proceedings of the 1st International Conference on Computer Applications & Information Security (ICCAIS). Riyadh, Saudi Arabia. 1-4

Bellomarini L, Gottlob G, Pieris A, Sallinger E. 2017. Swift logic for big data and knowledge graphs//Proceedings of the 26th International Joint Conference on Artificial Intelligence. Melbourne, Australia. 2-10

Chen R Y, Lei J Y, Yao H, Li T L, Li S W. 2025. Anchor-enhanced geographical entity representation learning. IEEE Transactions on Neural Networks and Learning Systems, 36(1): 924-938

Feng B, Zhu Q, Liu M W, Li Y, Zhang J X, Fu X, Zhou Y, Li M S, He H G, Yang W J. 2018. An efficient graph-based spatio-temporal indexing method for task-oriented multi-modal scene data organization. ISPRS International Journal of Geo-Information, 7(9): 371

He Z Z, Yu J, Guo B L. 2022. Execution time prediction for cypher queries in the Neo4j database using a learning approach. Symmetry, 14(1): 55

Wang J H, Ai T H, Wu H, Xu H J, Xiao T Y, Li G Y. 2024. Graph-based spatial co-location pattern mining: Integrate geospatial analysis and logical reasoning.International Journal of Digital Earth, 17(1): 2390434

Wang S, Zhu Y Q, Qi Y M, Hou Z W, Sun K, Li W R, Hu L, Yang J, Lv H R. 2023. A unified framework of temporal information expression in geosciences knowledge system. Geoscience Frontiers, 14(5): 101465 

Xiao T Y, Ai T H, Yu H F, Yang M, Liu P C. 2024. A point selection method in map generalization using graph convolutional network model. Cartography and Geographic Information Science, 51(1): 20-40

Yang M, Cao M J, Cheng L Y, Jiang H P, Ai T H, Yan X F. 2024. Classification of urban interchange patterns using a model combining shape context descriptor and graph convolutional neural network. Geo-spatial Information Science, 27(5): 1622-1637

Yu H F, Ai T H, Yang M, Huang L N, Gao A J. 2023. Automatic segmentation of parallel drainage patterns supported by a graph convolution neural network. Expert Systems with Applications, 211: 118639