简介：从海量文本中精准捕获与解析地理事件,对于深刻理解现实世界动态变化、构建富含时空语义的时空知识图谱至关重要.然而,描述时空位置的形式多样且内涵模糊,同时领域内高质量标注样本匮乏,这给地理事件信息的准确提取带来了严峻挑战.对此,本文提出一种多智能体层次化协同方法,系统地将大语言模型的推理能力应用于少样本场景下的地理事件抽取与解析任务.本文方法的核心在于构建了一个由主控协调智能体与多个专精子智能体组成的协作框架,主控智能体负责对任务进行自适应分解与调度,专精智能体则专注于地理事件抽取、时间要素解析、空间要素定位及空间位置推理等子任务.在基于DUEE构建的基础数据集和空间推理增强数据集上的试验表明,本文方法在少样本条件下展现出优异的地理事件时空解析性能.其中,本文方法在基础数据集上的空间要素解析(F1@100 m=0.779)与时间要素解析(F1time=0.856)性能,相较于当前最优基线方法分别实现了16.3%与22.1%的显著提升.同时,消融研究也验证了该方法设计的有效性.此外,通过对"7·20郑州特大暴雨"事件相关社交媒体数据的实例分析,进一步证实了本文方法在解析事件时空发展脉络、辅助理解事件演化过程方面的能力.本文研究为面向文本数据的地理事件抽取提供了一种多智能体处理范式,其成果有望为事件驱动的时空知识图谱及地理空间智能提供有力支撑.展开
