Page 164 - 《软件学报》2026年第3期

刘孟怡 等: 基于大语言模型的空间数据库自然语言查询转换方法 1127

3. if word i 是最近邻居数 then // 基于定义 2 进行判断
4. E.k ← word i // 提取最近邻居数
5. if word i 是距离阈值 then // 基于定义 3 进行判断
6. E.d ← get_threshold(word i ) // 提取距离阈值
7. if word i .pos=NOUN 或者 word i .pos=PROPN then
8. noun_list.append(word i .text)
9. for noun i ∈ noun_list do
10. if search(noun i , SRKB.name) then
11. E.relation.append(noun i ) // 提取空间关系
12. if search(noun i , LKB.name) then
13. E.location.append(noun i ) // 提取查询地点
14. return E

(1) 数字列表 N_L = {n 1 ,n 2 ,...,n k }, 存储被识别为数字、基数或数量的实体. 数字实体通常与查询中的数量或
距离相关, 代表查询条件中重要的参数.
(2) 信息列表 I_L = {i 1 ,i 2 ,...,i m }, 包含词性为名词或专有名词的单词. 这些词通常代表空间实体或地点名称等
信息, 是查询的核心空间实体.
以 NLQ 2 为例, N_L 中包含 “12”, I_L 中包含 “parks”“border”“Nanjing”.
通过细粒度实体提取对候选实体进行剪枝, 获得实体 E=(k, d, relation, location). 具体来说, 对于列表 N_L 中
的每个数字, 根据定义 2 进行判断, 如果一个数字在 NLQ 中与关键字 “nearest”“closest” 或 “neighbor” 在语义距离
上很近, 则将该数字识别为最近邻居数 k. 例如, 在 NLQ 2 中, “12” 紧邻 “closest”, 因此被提取为查询中的最近邻居
数. 距离阈值用于限制查询范围, 以确保查询结果符合用户的期望. 该阈值的提取过程依赖于列表 N_L 中的数量
短语, 这些短语通常由数字和距离单位 (如 meter、kilometer 等) 组成. 例如, 在 NLQ 4 中, 短语 “2 kilometers” 被解
析为距离阈值, 通过将单位转换为 meter, 系统可以获得精确的距离阈值 d. 最后, 通过判断列表 I_L 中的单词是否
位于知识库中来确定空间关系 relation 和查询地点 location. 例如, 在 NLQ 2 中, “parks” 被识别为空间关系, “Nanjing”
被识别为地点.
● 算法 2 的时间复杂度分析. 假设一个 NLQ 中包含的单词数为 len, 地点知识库中包含的地点数为 m, 空间关
系知识库中包含的关系数为 n, 可以推断 m 大于 n (因为一个空间关系至少包含一个地点信息). 利用哈希表查找
知识库的时间复杂度为 O(1), 因此算法 2 的时间复杂度为 O(len).
3.3 查询类型识别
空间查询的种类繁多, 这种多样性使得为每种查询设计通用的翻译模板难以实现. 因此, 准确识别查询类型成
为生成可执行语言的前提和重要步骤. 针对这一需求, 先利用大语言模型构建涵盖丰富空间查询类型的高质量语
料库, 确保语料库内容在表达多样性、语法一致性和语义清晰度等方面的高标准. 同时, 通过对比 TextCNN、LSTM、
BiLSTM、DistilBERT 和 BERT 的基本原理以及在实际场景中的应用, 从而确定最适合训练语料库的模型为
BiLSTM. 虽然此方法增加了模型设计的成本与复杂性, 但显著提升了自然语言查询到可执行语言转换的精度.
语料库包含 3 500 条自然语言查询, 覆盖了 5 种常见的空间数据查询类型: 基础空间查询、范围查询、最近
邻居查询、空间 Join 查询和聚合查询. 每条查询都严格标注了类型, 保证了语料库在训练任务中的分类准确性.
这些查询是从相关领域的论文中抽取出来并进行数据增强得到的. 语料库的构建过程如下.
● 查询提取. 先从空间数据处理和自然语言查询相关领域的文献中抽取 60 条高质量的空间数据自然语言查
询. 查询的选择过程涉及多层筛选和领域专家的指导, 以保证每条查询都能够涵盖空间数据库的典型需求. 在选择
过程中, 领域专家检查了查询在语义上是否符合自然语言查询的表达方式, 以及是否能够被转化为有效的空间数