成果介绍
台风灾害具有强破坏性与动态演化特征,传统知识图谱构建方法依赖多阶段模型训练,流程复杂且效率低下。本研究提出一种基于大语言模型(LLMS)的台风灾害知识图谱(TyphoonKG)构建方法,通过整合台风演化过程与灾情效应的多层次知识表达模型,结合指令微调技术,实现从非结构化文本到结构化知识的端到端生成。研究构建了包含2006-2023年超强台风数据的训练集,设计了时空知识补全、共指消解等任务指令,优化了LLaMA3-8b与ChatGLM4-9b模型的知识抽取能力。实验表明,该方法在准确率与覆盖度上显著优于基线模型,为台风应急管理与多灾种扩展提供了智能化解决方案。
成果亮点
本研究通过三重技术突破实现台风灾害知识图谱的高效构建。首先,提出“实体一阶段一状态一属性”与“承灾体类别一受灾实例一属性”双层次知识表达模型,分别刻画台风演化过程与灾情效应的动态特征。前者通过生命周期阶段(形成期、发展期等)与状态节点(如中心气压、风速)实现时空信息聚合,后者基于国家标准分类整合承灾体实例与属性,支持多维度灾情分析。其次,设计角色扮演、格式输出等任务指令引导LLMS适配知识图谱构建需求,并引入时空补全、共指消解技术提升模型对模糊时空表达、指代关系及实体歧义的处理能力。例如,模型可自动推断“次日”对应的具体日期,解析“它”指代的台风实体,并对齐同一台风的不同称谓(如雷热带低压”与“台风”)。最后,采用LORA低秩适应技术对LLaMA3-8b与ChatGLM4-9b进行轻量化指令微调,仅更新千分之瑒动一参数即可显著提升模型性能。实验显示,微调后模型在零样本推理下的准确率较基线提高约30%,超越GPT-3.5在少样本推理中的表现。
团队介绍
联系人: 庄老师 单位名称:常州市武进区科技成果转移中心
成果资料