UrbanKGent：用于城市知识图谱构建的统一大语言模型智能体框架

城市知识图谱最近已成为从多源城市数据中提取关键知识以服务于多样化城市场景的新兴构建模块。尽管其前景广阔，但城市知识图谱构建（UrbanKGC）仍严重依赖人工努力，阻碍了其潜在进展。本文提出了 UrbanKGent，一个用于城市知识图谱构建的统一大语言模型智能体框架。具体而言，我们首先通过异构感知和地理空间融合的指令生成，构建了针对 UrbanKGC 任务（如关系三元组抽取和知识图谱补全）的知识化指令集。此外，我们提出了一种工具增强的迭代轨迹优化模块，以增强和优化从 GPT-4 中提取的轨迹。通过在 Llama 2 和 Llama 3 系列模型上利用增强轨迹进行混合指令微调，我们获得了由 UrbanKGent-7/8/13B 版本组成的 UrbanKGC 智能体系列。我们在两个真实世界数据集上进行了综合评估，采用了人工评估和 GPT-4 自我评估。实验结果表明，UrbanKGent 系列不仅在 UrbanKGC 任务中显著优于 31 个基线模型，而且以约 20 倍的低成本超越了最先进的大语言模型 GPT-4 超过 10%。与现有基准相比，UrbanKGent 系列仅用五分之一的数据即可帮助构建具有数百倍更丰富关系的城市知识图谱。我们的数据和代码可在 https://github.com/usail-hkust/UrbanKGent 获取。