推进大语言模型用于相似环境事件的时空与语义关联挖掘
信息检索
2024-11-21 v1 人工智能
摘要
检索和推荐是现代搜索工具中的两个基本任务。本文引入了一种新颖的检索-重排序框架，利用大语言模型（LLM）来增强对新闻报道和网络帖子中描述的相关异常气候与环境事件的时空和语义关联挖掘及推荐。该框架使用先进的自然语言处理技术，以解决传统人工整理方法在人力成本高和缺乏可扩展性方面的局限。具体而言，我们探索了一种优化方案，采用前沿的嵌入模型对时空事件（新闻）进行语义分析，并提出了一种地理-时间重排序（GT-R）策略，该策略整合了包括空间邻近性、时间关联性、语义相似性和类别指示相似性在内的多维度标准，以对相似的时空事件进行排序和识别。我们将所提出的框架应用于包含四千个本地环境观察者（LEO）网络事件的数据集，在多个前沿的稠密检索模型中取得了推荐相似事件的最佳性能。该搜索与推荐流程可广泛应用于处理地理空间和时间数据的各类相似数据搜索任务。我们希望通过关联相关事件，能够更好地帮助公众加深对气候变化及其对不同社区影响的理解。
引用
@article{arxiv.2411.12880,
title = {Advancing Large Language Models for Spatiotemporal and Semantic Association Mining of Similar Environmental Events},
author = {Yuanyuan Tian and Wenwen Li and Lei Hu and Xiao Chen and Michael Brook and Michael Brubaker and Fan Zhang and Anna K. Liljedahl},
journal= {arXiv preprint arXiv:2411.12880},
year = {2024}
}