面向辅助用地报批的知识图谱协同构建与智能问答方法及实现

陈展鹏¹，杜启勇¹，胡鑫²，杨学习²，

王天应¹，江一凡²，尹姝彤²，邹煜星¹

1. 广州市城市规划勘测设计研究院有限公司，广州 510060；
 2. 中南大学 地球科学与信息物理学院，长沙 410083

摘  要：持续推进用地报批业务的数字化、智能化建设是夯实自然资源“两统一”工作的重要内容。受制于对报批流程各环节复杂关联关系的认知局限，用地管理过程经常面临业务关联弱、政策查找难等问题，进而影响报批业务的工作效率和成效。本文立足于知识图谱与大语言模型在复杂业务中的技术互补性，提出一种面向辅助用地报批的知识图谱协同构建与智能问答技术框架，实现对用地报批业务知识的系统整合与辅助式问答；并进一步研发设计辅助用地报批智能服务平台；为评价方法的有效性，将服务平台的知识问答功能与百度搜索引擎进行比较分析。结果表明，本服务平台在为用地报批领域提供新型知识组织范式的同时，亦可在辅助决策实践中展现出显著的应用价值。研究成果可为推进用地报批领域治理能力的数字化转型与智能化升级提供可行路径。

关键词：知识图谱；用地报批；图谱构建；信息抽取；大语言模型；智能问答；检索增强生成；辅助决策

引用格式：陈展鹏, 杜启勇, 胡鑫, 杨学习, 王天应, 江一凡, 尹姝彤, 邹煜星. 2025.面向辅助用地报批的知识图谱协同构建与智能问答方法及实现. 时空信息学报, 32(1): 94-103

Chen Z P, Du Q Y, Hu X, Yang X X, Wang T Y, Jiang Y F, Yin S T, Zou Y X. 2025. Methods and implementation of collaborative construction and intelligent question-answering for knowledge graphs in support of land use approval. Journal of Spatio-temporal Information, 32(1): 94-103, doi: 10.20117/j.jsti.20250103

1  引  言

以数字化思维、数字化技术推动自然资源数据和业务全面治理、重塑，是不断深化自然资源“两统一”的必然要求和发展趋势（陈军等，2022；刘晓瑜等，2024）。根据《自然资源部信息化建设总体方案》的要求，构建自然资源“一张图”需要以统一标准、相互关联、适时更新的数据底板为支撑（陈军等，2023）。这意味着自然资源信息化管理必须在数据治理方面不断深化。

用地报批作为自然资源信息化建设的关键内容，贯穿了从土地需求提出、用地方案制订、可行性研究、用地审批受理、审查审核到最终审批决策等多重流程。这些流程往往牵涉多个职能部门与不同时效性的政策法规，数据复杂且格式多样。为加快用地报批运转、提高审批效率，自然资源管理部门推进了用地报批业务的数据治理及集成工作，研发了一系列数据管理及治理的系统平台。然而，由于用地报批涉及的事务繁杂且环节多，现有系统在数据共享、协同互动方面仍存在不足，难以连贯地支撑业务全流程（龚勋等，2021）。知识图谱通过将实体、属性及其关联关系在图结构中进行显式表达，为解决上述用地报批难题提供了新的思路（Ji等，2022；Zamini等，2022）。基于本体认知、信息抽取等知识图谱构建方法，可将业务中的报批事项、职能部门、政策法规等关键要素通过语义关联至一起；一方面实现对大规模异构业务数据的结构化整合，另一方面能够为跨部门、跨流程的业务联动提供直观可视化的知识支撑（张吉祥等，2022；王玮等，2023）。随着知识图谱技术的不断发展，其构建方式已经从单一的人工构建发展为全自动构建、人工构建及人机协同的半自动化构建等多种模式，其中半自动化构建通过融合专家经验与自动化技术，在保证构建效率的同时能够有效提升图谱质量（李振等，2019；张金华等，2024）。考虑到知识图谱的关联组织优势，许多研究开始尝试将相关技术引入用地报批业务中。例如，吴颖（2024）提出利用信息本体论和人地关系理论，研究制定了覆盖全土地要素和全业务流程的统一编码规则，通过地块码和业务码解决了土地管理过程中地块与业务的关联问题；孟蕾和王国峰（2020）提出了知识图谱驱动的自然资源数据挖掘模型构建框架，将专家知识固化在自然资源数据挖掘模型的知识图谱表达中，以充分提高挖掘模型的复用能力；张永军等（2022）构建了可动态更新的中国国土资源知识图谱，充分利用了多源土地覆盖数据产品之间的信息，缩短了数据处理时长，为国土资源的知识化管理提供了新思路；彭涛等（2022）、应荷香等（2022）以土地空间关系作为切入点，利用图谱技术构建一码管地关联模型，实现了土地全生命周期关联；李妍等（2023）结合已有的审批规则库，形成了基于知识图谱技术的建设用地智能辅助审批流程，通过知识图谱自动生成辅助审批意见，可提高自然资源管理的智能化水平。然而，上述研究大多停留在概念梳理或数据建模层面，尚无法完全支撑用地报批业务的复杂应用场景。

智能问答系统作为知识服务的重要形式，能够通过自然语言交互的方式为用户提供业务上的辅助性信息，逐渐成为用地报批等政务中的重要辅助决策手段（王友奎等，2020）。然而，传统的知识图谱问答技术通常依赖于知识图谱内部结构及预先设计的对话模板，当遇到超出模板范畴的问题时，问答性能往往不尽人意（Pan等，2024）。近年来，基于提示学习的大语言模型（large language model，LLM）技术迅速发展，通过特定文字指令进行引导后，可以在未见过的问题场景中依然保持较高的泛化能力（Gao等，2021）。因此，将知识图谱与大语言模型相结合进行知识问答，有望为用地报批业务提供重要的报批知识支撑，弥补现有研究在落地应用方面的不足。

综上所述，用地报批业务作为一个由报批事项、政策文件、职能部门等多种要素构成的复杂系统，内部要素之间存在着复杂的关联关系，导致业务关联弱、政策查找难等问题普遍存在。现有研究虽尝试以知识图谱技术应对复杂关联的认知需求，但难以与实际业务深度融合。因此，本文提出一种面向辅助用地报批的知识图谱协同构建与智能问答技术框架，实现对用地报批业务知识的系统整合与辅助式问答；并进一步研发设计辅助用地报批智能服务平台；为评价方法的有效性，将服务平台的知识问答功能与百度搜索引擎进行比较分析。

2  面向辅助用地报批的知识图谱协同构建与智能问答技术框架

辅助用地报批知识图谱是结构化组织业务知识、系统性支撑辅助应用的重要基础。本文提出一种面向用地报批场景的综合性技术，通过本体认知、信息抽取、检索增强生成等关键技术，实现辅助用地报批知识图谱的半自动构建与基于知识图谱的智能问答，以支持针对用地报批业务的辅助决策。具体技术框架如图1所示。

2.1  用地报批知识本体模型

知识本体建模是进行知识应用的前提（吴杭彬等，2024；吴健华等，2024）。考虑到计划构建的知识图谱主要用于组织整理和形式化表达报批业务过程中的相关领域知识，以此支持用户或系统以结构化查询的方式准确检索所需业务信息，而典型的用地报批业务过程主要由报批事项、政策文件、职能部门三大要素组织构成，因此实验将以上述要素作为报批知识本体的主体从而保证用地报批知识模型的完整性。

结合领域专家在用地报批业务上的先验知识，实验利用Protégé本体构建工具，系统梳理用地报批事务的组成要素与处理过程，构建形成包括报批事项、政策文件、职能部门等要素及其相互关联的用地报批知识本体，图2展示了实验设计的用地报批知识本体。其中，报批事项刻画了实际业务中的审批环节及其需求；报批材料与事项相链接，用以描述各审批事项需提交的文档或附件；职能部门在审批流程中承担具体职责并与政策法规产生执行或监管关联；政策文件及政策条款则为各事项提供法规依据与操作准则。因此，报批知识本体以报批事项为核心，通过报批事项与所需报批材料之间的关联，确保审批需求与材料清单相对应。同时，各职能部门在具体审批流程中的协同与分工，通过其与报批事项及政策文件的关系进行体现。此外，政策条款作为政策文件的细粒度信息，与实际报批事项建立依赖关系，从而为用地审批操作提供可追溯的法律依据。

实验所设计形成的用地报批知识本体，一方面为信息抽取与子图关联环节提供了统一的语义框架，使得从多源异构数据中所获得的实体与关系能够被映射到相应类别中，从而准确构建报批流程子图或政策法规子图。另一方面，也为后续知识检索与辅助报批提供语义一致且结构规范的报批知识，以支撑辅助用地报批在精确检索与合规性审查方面的实际需求。

2.2  报批流程主题建模与知识子图构建方法

报批流程子图包含了大量对报批业务流程中事项、部门等各要素相互关联信息的描述，直接对报批流程进行系统梳理必定要耗费大量的人力物力。因此，采用BertTopic语义嵌入—降维—语义聚类—词频挖掘的主题建模技术（Egger和Yu，2022），实验对用地报批主题进行自动提取，并结合领域专家的进一步筛选与梳理，实现报批流程的人机协同式提取。

首先，基于用地报批政策文件资料，利用PaddleOCR获取报批文档材料对应的文本数据；其次，使用SBert模型（Reimers和Gurevych，2019），进行语义嵌入，嵌入生成的高维向量通过UMAP（uniform manifold approximation and projection）进行降维处理，并作为特征输入HDBSCAN（hierarchical density-based spatial clustering of applications with noise）模型进行语义聚类，从而划分得到具有不同语义特征的多个用地报批文本集合；最后，采用c-TF-IDF（class-based term frequency- inverse document frequency）指标（Egger和Yu，2022），挖掘用地报批文本集合对应的关键词。c-TF-IDF是专注于特定主题下细分关键词提取的TF-IDF（term frequency-inverse document frequency）指标（Egger和Yu，2022）：

式中，为词项x在特定报批主题文本集合c中的c-TF-IDF权重，体现了词项x对于集合的代表性；为词项在中的归一化词频，即词项在集合c出现的频率与集合内最高词频的比率；A为各集合平均的词项数；f_x为词项在所有集合中的总词频；为逆文档频率的调整因子，用于降低多个集合中普遍存在的常见词项的权重，以确保提取的关键词能真正反映出该集合的主题而不是无意义的高频词。

因此，实验得到合理划分的用地报批文本集合及其对应的主题关键词。以土地利用与供应为例，所提取的主题通过用地报批领域专家的筛选与修正，被重新组织整理为合适的用地报批流程要素，并细化为相应的报批流程知识子图，如图3所示。

2.3  政策文件信息抽取与知识子图构建方法

政策文件知识子图由用地报批政策文件抽取出的关键要素，如文件标题、文号、内容条目、相关关键词等，关联组织而成。因政务文件的分发、保存等具有相关要求，电子文档通常格式各异，包括原生PDF、扫描PDF、Word文件、JPG格式截图等。同时，由于政策文档具有格式固定的内容结构（图4），直接对整体文档进行光学字符识别（optical character recognition，OCR）并不能满足对政策知识进行系统化整合和梳理的需求。因此，需要设计面向多种数据模态并兼顾文档特殊结构的政策信息抽取方法，以支持政策文件知识子图的构建。实验通过结合UIE（unified information extraction）（Lu等，2022）、UIE-X（UIE with ernie- layoutx）（Peng等，2022）模型的互补抽取能力实现文档中不同形式关键信息的自动抽取，提出一种政策文件组合式信息抽取模型。UIE（Lu等，2022）是基于预训练语言模型设计的文本信息抽取架构，旨在利用信息抽取范式统一建模与自适应匹配各类文本信息抽取任务，适用于利用文本语义特征对报批相关的关键词进行抽取。UIE-X模型（Peng等，2022）则将UIE扩展到图像模态场景，适用于同时考虑文本语义特征和文本视觉特征对政策文档的特殊结构信息进行抽取。

政策文件组合式信息抽取模型架构如图5所示。由以下主要模块组成：①模态转换模块，利用PaddleOCR及PyMuPDF的解析能力，将异构政策文件转化为标准图像及文本数据进行规范表示；②元信息抽取模块，基于UIE-X模型，从标准图像数据中提取结构化的元数据及其他辅助信息，如标题、文号、条目等；③关键词抽取模块，基于UIE模型，从标准文本数据中抽取文档标题、文档条目等内容中对应的报批关键词信息；④内容抽取模块，采用Adobe的PDF提取应用程序接口对政策文件图像数据进行解析，通过比较和匹配条目名称组织形成对应的文本内容；⑤图谱构建模块，组织整理抽取得到的政策信息，同一文档的信息基于文档组织结构进行关联，不同文档的信息基于关键词的共现关系进行关联，以此构建形成政策文件知识子图。

基于上述模型，进行了针对性标注和实验。在这一过程中，政策文件抽取模型中的UIE模块及UIE-X模块被特别训练用于精准识别和提取政策文件中的关键信息，抽取效果如表1所示。其中，准确率是正确抽取的信息数量占抽取的总信息数量的比例；召回率是正确抽取的信息数量占样本中实际总信息数量的比例；F1值为准确率和召回率的调和平均值，用于综合评估模型性能。具体地，UIE在文本信息提取方面表现良好，F1值达到70.3%，已能基本满足知识图谱构建需求；而UIE-X在面向图像模态文档处理任务中性能更为优异，F1值达到89.3%。可以认为，所提出的政策文件组合式信息抽取模型能够很好地处理并识别多模态政策文件中的所需信息。实验得到的政策文件知识子图如图6所示。

2.4  用地报批知识子图关联与图谱构建方法

在上文所述子图构建完成后，为形成完整的用地报批知识图谱，采用人机协同策略，结合语义相似度度量（Reimers和Gurevych，2019）和人工评判对子图进行关联与筛选。使用SBert模型对子图实体进行语义向量嵌入，并通过计算政策文件与报批流程知识子图实体之间的余弦相似度作为语义相似度（Reimers和Gurevych，2019）：

式中，为政策文件知识子图实体嵌入向量；为报批流程知识子图实体嵌入向量。

综合多次评估，实验设定相似度阈值为0.6进行初步筛选。对于高于阈值的候选关联对，由领域专家进行二次审核，此环节不仅考虑相似度评分，还结合用地报批知识本体模型的概念与属性约束，对候选关联对的业务相关性进行确认。确认后的关联将通过引用或依据关系纳入知识图谱。同时，子图间的同类知识关联也将由领域专家基于专业知识进行整理。具体地，报批流程知识子图间通过对报批事项的梳理与组织，确保各流程环节在逻辑和业务上的连贯性；政策文件知识子图间则通过对政策类别的梳理，保证政策法规之间的合理关联与分类。因此，最终构建了用地报批知识图谱。

2.5  知识图谱检索增强生成的大语言模型问答机制

耦合知识图谱与大语言模型的问答机制如图7所示。基于上述知识图谱，结合大语言模型，实验设计一种知识图谱检索增强生成的大语言模型智能问答机制，主要由如下三个模块构成。

（1）问题解析模块，主要由上文所述的UIE关键词抽取模块组成，接受用户输入的问题并从中识别出与报批业务高度相关的关键词。解析出的关键词将被用于构建Query DSL查询语句，并最终输入ES文本搜索引擎来检索语义相关的实体。

（2）知识库检索模块，由用地报批知识图谱及ES引擎构成，知识图谱作为存储辅助报批各业务实体及其关系的外挂知识库，ES引擎为知识图谱提供实体的细粒度语义检索功能。知识图谱存储的实体与ES引擎相对应的文档基于同一ID相互关联，使得模块可以在语义检索后返回与关键词top-k相似（如取k=5）的实体及实体一跳子图范围内的所有信息。

（3）大语言模型模块，主要由提示构建中间件及大语言模型构成，提示构建中间件将融合知识库外挂模块及问题解析模块分别提供的实体检索信息及原始问句信息，构建形成相应的Prompt输入大语言模型，从而指导模型依据知识图谱生成更为准确地答案。考虑到信息安全，选用国产开源的ChatGLM3-6B（Du等，2022），作为基底进行本地化部署。

通过耦合问题解析模块、知识库外挂模块及大语言模型模块，由实验建立的知识图谱检索增强所生成的大语言模型问答机制，将使知识问答兼具知识图谱的回答准确性与大语言模型的任务泛化性，从而为辅助用地报批智能问答服务提供关键技术支撑。

3  辅助用地报批智能服务平台技术实现与评价

为验证方法有效性，研发设计辅助用地报批智能服务平台，并通过对比实验分析实际应用效果。

3.1  智能服务平台技术实现

实验设计并实现了一个模块化的辅助用地报批智能服务平台。采用前后端分离架构，前端基于Vue.js框架构建交互界面，后端采用SpringBoot实现业务逻辑处理，模型服务则基于Flask框架部署。平台的数据存储层采用PostgreSQL关系型数据库存储结构化数据，使用NebulaGraph图数据库管理知识图谱。各模块间通过RESTful API实现松耦合交互，保证了系统的可扩展性与维护性。平台实现技术架构如图8所示。用户可以在系统中输入问题，系统将以自然语言的形式解答用户的报批业务问答，并通过文件预览的方式为回答提供关键依据。

3.2  智能服务平台应用比较评价

为了更直观地对比百度搜索引擎与本平台的实际差异，选取两个常见的用地审批材料检索场景问题，具体为：问题一是“双随机、一公开”相关政策要点的查询；问题二是土地征收成片开发方案内容的查询。从全面性、准确性与专业性三个维度，本平台的知识问答功能与百度搜索引擎的对比如表2所示。

由图9可看出，在检索的全面性方面，本平台不仅能够回答用地报批业务中一般的概念释义，也可围绕特定审批流程提供更深层的审查要点信息，如“双随机、一公开”具体的抽查重点是什么等；而百度搜索多以相关概念介绍为主，对于更加深入的领域专业知识缺少相应来源。在检索的准确性方面，本平台可依据政策引用及业务逻辑关联，为用户提供更契合其询问内容的解答，并通过超链接方式一键预览原始材料；百度搜索则在返回大量结果的同时，往往混杂了部分不完全匹配的网页，需要用户进一步进行辨别和对照。在检索的专业性方面，本平台不仅能深入理解用户查询，还可结合专业要求深入解析具体报批要点和流程环节，具备较强的可自定义程度；而百度搜索基本仅依赖关键词检索，缺乏对查询结果再组织和合理呈现。

总体而言，百度搜索能满足日常检索需求，但在用地报批这种涉及专业审批流程和法规条文关联的场景中，存在信息噪声与缺乏深度引导的问题。本平台依托知识图谱的结构化组织与大语言模型的语义理解，能够在概念释义与操作流程等多层面均提供更具针对性和可追溯性的答案，从而在一定程度上为业务人员提供准确、清晰的用地辅助决策支持。

4  结  论

针对用地报批各阶段业务数据孤岛式管理导致的业务关联弱、政策查找难等问题，本文提出了一种面向辅助用地报批的知识图谱协同构建与智能问答技术框架，通过发挥知识图谱与大语言模型的互补优势，实现了对用地报批业务知识的系统整合与智能问答；并研发了辅助用地报批智能服务平台。通过与百度搜索引擎的对比实验表明，本文所提出的面向辅助用地报批的知识图谱协同构建与智能问答方法能够丰富拓展用地领域知识的组织与利用方式，给用地审批业务人员提供更有效地辅助决策手段，从而为推动用地报批业务提质增效提供了新的技术路径与实践方案。

尽管本文在知识图谱自动化构建与问答交互等方面仍存在一定局限性，但所形成的关键技术思路可与自然资源、土地利用规划等系统进一步耦合，提高业务决策的效率。今后将重点围绕提升图谱构建的自动化程度及丰富问答机制的业务适用性展开研究，力求形成可应用、可推广的用地业务辅助决策方案，以期为自然资源管理与土地审批工作注入更具前瞻性的智能化辅助手段。

参考文献（References）

陈军, 王艳慧, 武昊, 刘万增. 2023. 时空信息赋能高质量发展的基本问题与发展方向. 时空信息学报, 30(1): 1-11 [Chen J, Wang Y H, Wu H, Liu W Z. 2023. Basic issues and development directions of high-quality development empowered by spatio-temporal information. Journal of Spatio-temporal Information, 30(1): 1-11 (in Chinese)]

陈军, 武昊, 刘万增, 单卫东, 张俊, 赵鹏军. 2022. 自然资源时空信息的技术内涵与研究方向. 测绘学报, 51(7): 1130-1140 [Chen J, Wu H, Liu W Z, Shan W D, Zhang J, Zhao P J. 2022. Technical connotation and research agenda of natural resources spatio-temporal information. Acta Geodaetica et Cartographica Sinica, 51(7): 1130-1140 (in Chinese)]

龚勋, 文昌, 管江霞. 2021. 以用地业务链串接为核心的自然资源业务数据治理与重构路径. 规划师, 37(20): 55-59 [Gong X, Wen C, Guan J X. 2021. Data reorganization of natural resource centered on land use business chaining. Planners, 37(20): 55-59 (in Chinese)]

李妍, 何贞铭, 高森. 2023. 基于知识图谱的建设用地智能辅助审批流程设计. 计算机时代, (1): 132-136 [Li Y, He Z M, Gao S. 2023. Intelligent auxiliary approval process design of construction land based on knowledge graph. Computer Era, (1): 132-136 (in Chinese)]

李振, 董晓晓, 周东岱, 童婷婷. 2019. 自适应学习系统中知识图谱的人机协同构建方法与应用研究. 现代教育技术, 29(10): 80-86 [Li Z, Dong X X, Zhou D D, Tong T T. 2019. Research on human-machine cooperative construction method and application of knowledge graph in adaptive learning system. Modern Educational Technology, 29(10): 80-86 (in Chinese)]

刘晓瑜, 刘万增, 杨凯, 胡渝清, 翟曦. 2024. 智慧国土构建的技术模式研究——以重庆为例. 时空信息学报, 31(2): 196-204 [Liu X Y, Liu W Z, Yang K, Hu Y Q, Zhai X. 2024. Technical models for building smart territory: A case study of Chongqing. Journal of Spatio-temporal Information, 31(2): 196-204 (in Chinese)] 

孟蕾, 王国峰. 2020. 知识图谱驱动的广东省自然资源大数据挖掘模型构建框架. 测绘与空间地理信息, 43(6): 91-94 [Meng L, Wang G F. 2020. Framework for knowledge graph-driven construction of natural resources big data mining model in Guangdong Province. Geomatics & Spatial Information Technology, 43(6): 91-94 (in Chinese)]

彭涛, 朱向晖, 束邱恺, 范学东, 邓光林. 2022. 基于土地全生命周期的“一码管地” 关联模型. 测绘标准化, 38(2): 57-61 [Peng T, Zhu X H, Shu Q K, Fan X D, Deng G L. 2022. One code management based on the entire lifetime of land. Standardization of Surveying and Mapping, 38(2): 57-61 (in Chinese)]

王玮, 王妍, 钟鸣, 马焱. 2023. 基于知识图谱的全生命周期国土空间用途管制管理模式的探索研究. 人民城市, 规划赋能——2023中国城市规划年会论文集(13规划实施与管理), 武汉.724-735 [Wang W, Wang Y, Zhong M, Ma Y. 2023. Research on the exploration of the full lifecycle land-use control and management model based on knowledge graph. People’s Cities, Planning Empowerment—Proceedings of the 2023 China Urban Planning Annual Conference (13: Planning Implementation and Management). Wuhan, China.724-735 (in Chinese)]

王友奎, 张楠, 赵雪娇. 2020. 政务服务中的智能问答机器人: 现状、机理和关键支撑. 电子政务, (2): 34-45 [Wang Y K, Zhang N, Zhao X J. 2020. Intelligent question answering robot in government service: Current situation, mechanism and key support. E-Government, (2): 34-45 (in Chinese)]

吴杭彬, 韦朝旭, 陈茜茜, 胡辰雨, 周少军, 赵峰, 刘一宁, 黄炜, 刘春. 2024. 基于本体和知识图谱的城市空间数字底座架构及应用. 时空信息学报, 31(2): 292-301 [Wu H B, Wei C X, Chen Q Q, Hu C Y, Zhou S J, Zhao F, Liu Y N, Huang W, Liu C. 2024. Architecture and application of urban spatial digital base based on ontology and knowledge graph. Journal of Spatio-temporal Information, 31(2): 292-301 (in Chinese)]

吴健华, 王驭, 王思佳, 王鹏, 陈婉莹, 崔君宇. 2024. 面向城市体检综合评估的知识建模——以广州市为例. 时空信息学报, 31(3): 455-468 [Wu J H, Wang Y, Wang S J, Wang P, Chen W Y, Cui J Y. 2024. Knowledge modeling for comprehensive evaluation of urban physical examination: A case study of Guangzhou. Journal of Spatio-temporal Information, 31(3): 455-468 (in Chinese)]

吴颖, 王将来, 徐蓓蓓. 2024. “一码管地”框架下的土地全生命周期数据关联模型研究. 地理空间信息, 22(5): 66-69 [Wu Y, Wang J L, Xu B B. 2024. Research on the data association model for the full life cycle of land with “one code land management”. Geospatial Information, 22(5): 66-69 (in Chinese)]

应荷香, 赵骞, 张朝忙, 任福, 李方林. 2022. 土地全生命周期管理的知识图谱构建及应用. 测绘科学, 47(6): 161-167 [Ying H X, Zhao Q, Zhang C M, Ren F, Li F L. 2022. Construction and application of knowledge graph for whole life cycle of land management. Science of Surveying and Mapping, 47(6): 161-167 (in Chinese)]

张吉祥, 张祥森, 武长旭, 赵增顺. 2022. 知识图谱构建技术综述. 计算机工程, 48(3): 23-37 [Zhang J X, Zhang X S, Wu C X, Zhao Z S. 2022. Survey of knowledge graph construction techniques. Computer Engineering, 48(3): 23-37 (in Chinese)]

张金华, 仇培元, 邢华桥, 冯永玉. 2024. 面向地表覆盖处理服务的知识图谱建模方法研究. 时空信息学报, 31(5): 641-651 [Zhang J H, Qiu P Y, Xing H Q, Feng Y Y. 2024. A method for construction of knowledge graph for land cover processing services. Journal of Spatio-temporal Information, 31(5): 641-651 (in Chinese)]

张永军, 程鑫, 李彦胜, 王飞, 刘晓健, 吴文品. 2022. 利用知识图谱的国土资源数据管理与检索研究. 武汉大学学报(信息科学版), 47(8): 1165-1175 [Zhang Y J, Cheng X, Li Y S, Wang F, Liu X J, Wu W P. 2022. Research on land and resources management and retrieval using knowledge graph. Geomatics and Information Science of Wuhan University, 47(8): 1165-1175 (in Chinese)]

Du Z X, Qian Y J, Liu X, Ding M, Qiu J Z, Yang Z L, Tang J. 2022. GLM: General language model pretraining with autoregressive blank infilling//Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers). Dublin, Ireland. 320-335 

Egger R, Yu J. 2022. A topic modeling comparison between LDA, NMF, Top2Vec, and BERTopic to demystify twitter posts. Frontiers in Sociology, 7: 886498

Gao T Y, Fisch A, Chen D Q. 2021. Making pre-trained language models better few-shot learners // Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing. Stroudsburg, USA?.3816-3830

Ji S X, Pan S R, Cambria E, Marttinen P, Yu P S. 2022. A survey on knowledge graphs: Representation, acquisition, and applications. IEEE Transactions on Neural Networks and Learning Systems, 33(2): 494-514

Lu Y J, Liu Q, Dai D, Xiao X Y, Lin H Y, Han X P, Sun L, Wu H. 2022. Unified structure generation for universal information extraction // Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics. Dublin, Ireland. 5755-5772

Pan S R, Luo L H, Wang Y F, Chen C, Wang J P, Wu X D. 2024. Unifying large language models and knowledge graphs: A roadmap. IEEE Transactions on Knowledge and Data Engineering, 36(7): 3580-3599

Peng Q M, Pan Y X, Wang W J, Luo B, Zhang Z Y, Huang Z J, Cao Y H, Yin W C, Chen Y F, Zhang Y, Feng S K, Sun Y, Tian H, Wu H, Wang H F. 2022. ERNIE-layout: Layout knowledge enhanced pre-training for visually-rich document understanding//Findings of the Association for Computational Linguistics: EMNLP 2022. Abu Dhabi, United Arab Emirates.3744-3756

Reimers N, Gurevych I. 2019. Sentence-BERT: Sentence embeddings using siamese BERT-Networks// Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP). Hong Kong, China. 3980-3990

Zamini M, Reza H, Rabiei M. 2022. A review of knowledge graph completion. Information, 13(8): 396