基于本体指导的矿产预测知识图谱构建研究

Ontology-guided knowledge graph construction for mineral prediction

摘要

在基于数据驱动范式的科学研究中,构建知识图谱已被证明是获取和表征知识的有效手段之一。然而,目前已构建的矿产资源预测领域知识图谱仍然存在诸多挑战和局限性,有待进一步解决和完善。首先,针对矿产预测的本体构建问题研究相对较少,尤其是该领域现有知识图谱的本体层普遍缺乏时空语义,限制了对于矿产资源时空特征的有效表示与分析。其次,现有图谱构建方法主要为面向数据层面的文本抽取,而缺乏对于复杂逻辑关系的本体层建设,以及本体层与数据层之间的有效关联。以上问题会导致构建的地学知识图谱缺乏深层次的语义信息,难以满足矿产资源预测对表达复杂地学概念和关系的需求。针对上述问题,本研究以综合信息矿产预测理论为指导,旨在构建可应用于矿产预测任务的复杂语义知识图谱。具体而言,首先通过对矿产预测的理论和方法进行解析构建初始化领域本体,然后选择成熟的地质时间本体和地理空间本体对初始本体进行本体融合和扩展,通过嵌入时空语义有效表达地矿产资源的时空特征。此外,重点关注了本体层与数据层之间的关联建设,通过建立丰富的语义关系,实现知识图谱中各个节点之间的有效连接与信息共享。实验结果表明,采用本文所提出的方法构建的图谱在知识丰度和置信度等指标上均优于其他现有方法。这一研究为矿产预测领域提供了更为深入和全面的数据资源建设的方法支撑,有助于推动该领域的进一步发展和应用。

关键词

矿产资源 / 知识图谱 / 本体工程 / 综合信息矿产预测理论

Key words

mineral resources / knowledge graph / ontology engineering / mineral prediction theory

0 引言

矿产资源的经济价值、战略地位和典型性是自然资源中独一无二的,为了科学找矿和有效地评估我国矿产资源的潜力,广大研究者经过野外观测、化探和物探等方法,结合专业知识对采集的信息处理并分析,形成如地质报告、地质图等各种地质资料。近年来,地质大数据的大幅增长和数据科学的迅速发展为地球科学带来了新的机遇,为找矿预测带来了新的思想与方法^[1]。海量地质数据使得传统的关系型数据库不能满足对复杂数据的快速分析,从而转向访问效率更高的非关系型数据库^[2]。一方面,神经网络、知识图谱等人工智能技术的兴起为处理和分析海量数据带来了一整套用于从数据中提取信息和知识的方法和工具,以支持决策和创新^[3];另一方面,多学科交叉合作促进了领域知识融合,推动人类的需求由数据驱动演化为知识驱动。

知识图谱是人工智能研究的重要方向之一,最早是由 Google 在 2012 年 5 月提出的 Google Knowledge Graph^[4]。作为一个知识库,知识图谱整合多源信息,使用语义检索提供搜索服务是一种用于组织、存储和表示知识的图状数据结构,它描述了不同实体之间的关系和属性。知识图谱旨在模拟现实世界中的概念、事实和关联,以便机器能够理解和推理这些知识。广义上的知识图谱是一种语义网络,能够捕捉信息之间的语义联系,有助于机器理解数据的含义和上下文。语义网为数据间建立关联,但没有解决对知识的认知。本体,即“Ontology”,是脱胎于哲学的概念,它是指“一种形式化的,对于共享概念体系的明确而又详细的说明”^[5]。本体用于指导对真实世界存在的事物和领域内的术语及概念进行认知建模,是知识图谱的概念模型和逻辑基础。通过构建矿产知识图谱,可以形成一个具有普适性的专家知识库,自动挖掘出成矿物质相关因素之间的内在联系,发现一些传统方法难以发掘的深层次信息,从而指引矿产预测工作的方向。本文依据综合信息矿产预测理论构建本体,并探讨了基于本体指导的矿产预测知识图谱的构建思路。

1 相关工作

1.1 矿产知识抽取

Wang等^[6]使用社区级标准(包括地质词典和术语分类方案(AQSIQ, 1988))建立了一个大型语料库,然后使用它来训练分词规则并应用于处理地质报告。成果包括词频图等,用于揭示文档的关键主题和结构,并显示出基于多文档分析的知识图谱增强的潜力。Qiu 等^[7]建立了时空地质名录用于支持文献信息提取。空间地质名录包括地球科学中众所周知的地名和空间关系,时间名录包括地质时间尺度和公历形式的一般时间表达式。目前,知识图谱的应用场景开始向更专业的子领域渗透,比如Enkhsaikhan等^[8]在识别文本中成矿要素的基础上,利用关系抽取技术发现成矿条件,构建了澳大利亚西部Chichester山脉的铁矿床知识图谱和 Goolgardie Gold 区域的金矿知识图谱,我国中山大学周永章等^[9]构建的钦杭成矿带斑岩铜矿知识图谱,吉林大学Yan等^[10]构建的甘肃寨上-马坞金矿集区知识图谱等。然而,这些知识图谱在构建过程中缺乏本体支持,从而限制了它们在知识表示、查询和推理中的能力。

1.2 地质本体和地理本体语言

SWEET^[11]是一个经典地质本体,涵盖了广泛的地球科学的相关概念,其中包括对地质时间建立概念关联。地质年代是地质研究的基本参数之一^[12]。地质年代本体是一个描述地球历史不同时期和事件的体系,用于对地质历史进行分类和描述。建立地质年代本体需要遵循一系列地质学和地质时间标尺的标准,如国际地质年代是由国际地质学会(IGS)和国际层序学与地层学委员会(ICS)等国际地质组织制定和管理的时间尺度。它以全球范围内的地质特征和化石记录为基础,将地球历史划分为不同的地质时代。全球地层剖面(GSSP)是被选定为地质年代区间界线的关键地层剖面,且GSSP是全球地层学界共同承认的标准。这些年关于地质年代本体构建已有一些相关研究发表 。典型的有GeoSciML^[13]、CGTO^[14]和Time Ontology in OWL^[15] 等,这些本体都允许在语义网络中描述时间和时间相关信息,这对于解决矿产资源定位和演化分析问题非常有用。

W3C地理空间本体^[16]是由万维网联盟制定的一种用于表示地理空间信息的本体。该本体提供一种标准的方式来描述地理空间数据和相关的属性、关系,允许语义描述地理特性,定义了一组用于表示地理空间关系的词汇和关联。GeoSPARQL^[17]是一种W3C推荐的标准语言,用于在语义网络中表示和查询地理空间数据。它扩展了SPARQL查询语言,允许描述地理特征、坐标、几何对象和地理空间关系。GML(Geography Markup Language)是一种基于XML的开放标准,用于表示和交换地理空间信息。GeoNames是一个开放的地理数据库和地名注册表,旨在提供全球范围内的地理数据和地名信息。它包含各种地理实体(如国家、城市、山脉和河流等)的信息,以及这些实体的位置、属性和相关数据。可将诸如GeoNames的地理本体数据与本体语言结合,以增强对地理空间信息的描述和查询。

2 矿产预测知识图谱构建方法

构建知识图谱是一个复杂的过程,目前主流的方法有自顶向下法和自底向上法两种。其中,自顶向下是从抽象到具体,先为知识图谱定义好本体,通过专家手动编辑形成数据模式,再将实体加入知识库。该方法是知识导向的,对知识进行约束,降低了知识冗余,可以保证知识图谱有较高的规范性和准确性。自顶向下法能较好地体现概念间的层次关系,但是对人工有很强的依赖性,更新时受限较大,适合数据量小的领域知识图谱构建^[18]。

本文的研究内容主要是利用成矿相关理论和方法构建斑岩铜矿知识图谱,该图谱需要表达丰富的地学领域专业知识,因此本文将采用自顶向下的方法构建斑岩铜矿知识图谱。具体过程如图1所示。2.1节和2.2节分别研究矿产预测本体构建和融合扩展,2.3节研究本体指导的数据层构建技术。

2.1 初始本体构建

现有国内公认的矿产预测基本理论和方法有赵鹏大^[19-20]院士提出的“相似类比、求异理论及定量组合”控矿理论、叶天竺^[21]教授提出的“三位一体”找矿理论、王世称^[22]教授提出的“综合信息矿产预测理论与方法体系”和成秋明^[23]院士提出的“非线性成矿预测”等。本文以综合信息矿产预测理论与方法体系为指导,重点围绕成矿地质体的相关概念(例如地层、岩石和成矿时间等)展开本体构建。本体以典型成矿模式与预测成矿模式为核心,其中预测成矿模式中包含成矿规律的标志特征总结,典型成矿作为实际成矿作用的表征,进一步加强了矿床本体的实际表达效果。这两个模式又以时空(成矿时代和空间分布)分布为基础,结合地质、物探、化探和遥感等知识体系,建立地质、物探等学科概念与地层、岩石等领域概念之间的关联。初始本体如图2所示。

2.2 本体融合与扩展

现有矿产知识图谱构建方法中,矿产预测相关的地质知识储备不够丰富,例如时空信息停留于文字表面没有表达出更深层次的语义关系,会影响对矿床的形成机理和预测方法的理解和应用。时空关系在矿产预测中扮演着至关重要的角色。矿产分布往往与地理位置和时间密切相关,构建时空关系能够为矿产预测和资源管理提供更精确、综合的信息。它们是理解矿产分布、探索新的矿产资源、优化矿产勘探和开发的基础。

实际上,地学知识抽取方法难以获取富含拓扑关系和时间区间关系的时空知识。例如“岩石的侵入”等, 只能抽取到不同岩石实体之间的“位于”“连接”等关系,但岩石之间具体的相交相离的拓扑关系语义无法体现,再如“特提斯斑岩铜矿的主要成矿时期集中在白垩纪和三叠纪时期”, 地质时间尺度既具有层次概念结构,又具有顺序时间序列。同样,现有知识图谱抽取方法往往只能抽取到“白垩纪”“三叠纪”等地质时代,但难以捕获两个时间区间前后关系的语义。因此,在矿产知识图谱中嵌入时空关系将在地理定位精确化、时序关系分析、地质和地理环境分析、多源数据融合、时空推理和智能决策支持等方面为矿产预测和资源管理提供更精确、全面的信息。

上一步中,通过梳理与矿产相关的知识,会得到一个简单的关于地质时间的本体,由于在构建过程中,缺乏权威人士和专家团队审查,不能确保构建的知识体系是准确和可信的。因此当初步建成本体之后,会反复审查是否有已经存在的本体可以替换部分内容,具体步骤如下。

Step1(本体选择):通过在知识图谱领域搜索被广泛认可的地学领域本体,选择与矿产预测相关的专业本体。

Step2(本体替换与扩展):研究专业本体的结构、术语和关系等。对齐专业本体与初始本体中的概念,并对扩展的概念建立链接。

Step3(一致性验证):在推理机支持下,验证进化后的本体是否满足逻辑一致性和语义正确性,对存在问题的概念和关系及时修正。

在本文中,选择以下地质时间本体和地理空间本体扩展初始本体。

Cox等^[24]提出的地质时间本体(Geological Timescale Ontology,以下简称GTS),GTS 本体(图3)定义了源自时间层次序数参考系(THORS)的地质时间尺度的结构,并且还定义了用于表示地质时间尺度中各种时间单元的类。这些类可以通过实例化来表示实际的地质时期,还描述了时间单元之间关系的属性,例如包含关系、前缀关系等。本文选择GTS本体融合到矿产资源本体中,有助于矿产资源的地质背景分析、资源定位和历史演化分析。在替换本体时,如果出现GTS和初始本体局部概念不一致的情况,首先利用语义相似度技术对初始本体中的不一致概念进行标准化处理,再根据中英文地质年代对照表和上述替换流程进行对齐。

地理本体定义了一系列常见的地理拓扑关系,用于描述地理要素之间的空间关系,如包含、邻近和交叉等。不仅定义了拓扑关系,还描述了这些关系的特征和要素。例如,“adjacent”关系可以有“adjacentTo”属性,指示两个要素的邻近关系。允许表示模糊和不确定的拓扑关系,这对于地理信息中常见的模糊边界和不确定性情况是有益的。还可以在语义网络中进行地理拓扑关系的推理和查询,这有助于构建更智能的地理信息系统和应用。此处引入的地理本体,具体是指地理空间本体,其目的是识别图中要素的空间关系,使构建的知识图谱具有空间表达能力。

2.3 数据层构建

对于找矿预测这种垂直领域来说,数据主要来自两个方面。一种是文字数据,地质研究人员在长期的地质调查工作中对各种调研数据、遇到的地质问题和结论的多样性记录、整合和分析,以各类文献和报告为信息载体进行表达,通常以非结构化的方式储存。另一种是GIS矢量图,通常由地质调查、测量和遥感等多种数据源收集、整理和处理而来。数据层构建是指从这些多个数据来源且结构不同的地质数据中抽取实体与实体、实体与属性之间的语义关系和时空关系,形成知识,作为数据层存入到知识图谱中。

对于地质矢量图,抽取过程如图4所示:首先基于GIS软件进行地质要素的叠置分析、空间查询等,帮助解译地质信息,并将图层集成后的单元属性以结构化形式存储,再按照模式层建模和映射或D2R转换等工具直接转换成知识图谱的一部分内容。各种地质文献和报告是构建矿产知识图谱的最主要数据源,对这些非结构化的纯文本数据无法直接获取矿产实体等信息,需要借助命名实体识别和关系抽取等自然语言处理技术。

BERT-BiLSTM-CRF模型(图5)是一种常用于命名实体识别任务的序列标注模型。实际上,BERT-BiLSTM-CRF模型是将多个模型结构结合在一起,以提高命名实体识别(NER)任务的性能。这种组合的方式充分利用了不同模型的优点,同时也增加了模型的复杂性。首先,使用预训练的BERT模型来提取文本中每个词的上下文相关的词向量。BERT的双向上下文建模能力使得生成的词向量更加丰富。再将BERT提取的词向量输入BiLSTM,可以捕获序列中的上下文信息,并生成上下文丰富的特征表示。在BiLSTM的输出上添加条件随机场(CRF)层,用于对NER标签序列进行建模。CRF层可以考虑标签之间的依赖关系,帮助模型生成连续的实体序列。

最后可利用前期识别到的实体及上下文信息,将关系抽取看作是一个分类任务,通过CNN模型提取实体之间的特征,经过softmax激活函数,对不同关系类型进行分类。

3 知识图谱评估

由于各种知识图谱构建方法存在差异和构建过程本身存在固有的性能问题, 知识图谱中存在错误事实和噪声信息^[25]。在知识图谱构建过程中,数据来源不可靠、自动抽取数据错误或专业领域知识不足等各种问题,使得知识图谱中存在错误事实和噪声信息,影响在问答、信息检索、推荐系统和自然语言处理等下游任务中的应用效果和价值。因此,研究知识图谱的正确性是确保知识图谱在各种应用和领域中能够发挥其最大潜力的关键步骤之一。

3.1 评估指标

首先给出知识图谱的形式化定义:G={ε,R,τ}, 其中,ε,R,τ分别表示实体、关系和三元组,知识图谱中的一个事实可以表示为一个三元组(h,r,t)∈τ。本文从丰度和可信度两个方面定义了知识图谱质量评估指标。两个指标分别定义如下。

3.1.1 丰度

在实际应用中,知识图谱使用图数据结构表示知识,节点可以表示实体、概念和关系等,而边表示这些节点之间的关联或连接。知识图谱的稀疏度指的是其中包含的信息量相对于可能的信息量而言的不足。直观表现是在一个稀疏的知识图谱中,可能存在许多缺失的关系、实体或属性,导致图谱中的节点和边之间的连接较少或不完整。在图论中,出度和入度经常被用来研究节点的位置和重要性,因此,计算实体的平均度来评测知识的覆盖率,在一定程度上也反映了知识图谱的质量。下面以邻接矩阵A的存储形式给出平均度(aveD)的计算公式。

(1) a v e \mathrm{D} \left( \mathrm{G} \right) = \frac{\stackrel{\left|V\right|}{\sum _{i=0}}\mathrm{D}\left(v_i\right)}{\left|V\right|} , D \left( v_i \right) = \stackrel{\left|V\right|}{\sum _{i=0}} a_{ij}

式中:D(v_i)代表每个顶点V的度 (degree,D)。

3.1.2 可信度

知识图谱的正确性是指其中包含的信息、实体和关系等内容与真实世界的实际情况相符合的程度。一个正确的知识图谱应当准确地反映现实世界中的事实和关系,使用户可以依赖它获取准确的信息并做出有根据的决策。如果没有经过验证或者数学证明,很难确定知识库中的“事实”是否正确,尤其是在地学领域。因此,本文参考Jia等^[26]提到研究方法,分别从得分函数和表示向量两个方面度量知识图谱的正确性。

在基于得分函数的正确性验证中,从实体、关系和全局3个角度量化评估知识图谱的正确性和所表达事实的真实程度。具体地,p(E(h,r,t))用来检测实体对(h,t)之间是否存在确定的关系r;RR(h,t)用来检测实体对(h,t)之间是否存在可能的关系; RP(h,r,t)表示知识图谱中相关三元组推断目标三元组可信的识别程度,对于一个三元组s,最后用融合器将3个评估器输出的向量拼接(式(2)),通过多个隐藏层和非激活函数(式(3))得到最后置信度得分,该值被限制在 [0,1]之间:越接近0,表示该三元组错误的概率越高;反之则表示是正确的概率越大。

(2)f(s)=[p(E(s)),RR(h,t),RP(s)]

(3) \left\{\begin{array}{l}{h}_i=\sigma \left(W_{h_i}f\right(s)+b_{h_i})\\ P(y=1\left|f\right.(s\left)\right)=\phi (W_{o}h+b_o)\end{array}\right.

式中:h_i是第i层隐藏层;W和b是可学习训练的参数矩阵。通过对得分函数加权,能提高正确三元组的得分并降低错误三元组的得分,进而降低错误三元组对整体的影响。

3.2 实验数据

自20世纪末以来,新疆相继发现了土屋、延东和延西等中大型斑岩铜矿,东天山成为发现铜多金属矿的重要矿集区,东天山维权—土屋一带从中元古界至新生界均有出露。区域上侵入岩较发育,岩石类型齐全,与成矿有关的侵入岩主要为华力西期花岗岩和闪长岩类。以东西向断裂为主体的北西、北东向次级断裂发育。从南往北区内主要东西向断裂构造有阿其克库都克断裂、雅满苏断裂、康古尔断裂和大草滩断裂。区域矿产分布特征为:康古尔断裂以北的石炭纪岛弧多形成以铜为主的铜金成矿带;雅满苏断裂两侧多为金、铜多金属成矿带;阿其克库都克断裂附近多形成以铁为主的铁铜成矿带。本文以新疆东天山维权—土屋一带铜多金属地质资料为基础(样例见图6),结合“全国地质资料馆”国家地质资料数据中心 (www.ngac.org.cn)和地质云3.0(www.cgs.gov.cn)的馆藏资料、地学文献和成果报告等,构建斑岩铜矿知识图谱。

3.3 结果评估与分析

在本案例中采用Protégé用于本体的编辑和建模,实现了对该研究区中斑岩铜矿涉及的相关概念、属性、实体和关系的表示与建模。采用Neo4j存储和管理图谱数据,以结构化三元组的形式存储斑岩铜矿矿产资源相关数据中的知识。所构建斑岩铜矿知识图谱中的概念和实例如表1所示。

在相同的数据集上比较了3种不同方法的知识图谱构建方法,根据评估指标,对比结果如表2所示。

Fact指表示无本体的知识图谱,Onto是构建的初始本体层,RelOnt代表有其他相关扩展的本体。对比结果直观地展示了构建本体的知识图谱中的度明显小于无本体构建的知识图谱。原因在于,无本体的知识图谱表示的语义关系较为模糊,当加入本体层之后,实体间的关系更加精炼和准确,关系可能通过属性和类的定义来表达,而不是直接连接,使知识图谱能够更加准确地表达语义关系,从而减少了知识冗余。例如图7所示,左图中233矿点的所有信息均与其直接连接,该节点的度为10;当在图谱引入本体后,节点之间的关系更加明确和有层次结构,此时 “233矿点”的度为4,相比之前下降了一半。随着初始本体被融合扩展后,知识图谱的平均度又增加了。这是因为扩展后的本体通常具有严格的语义规范,从而能更好地捕捉实体之间的语义关联。这可能会导致更多的实体之间有更多的关联,进而影响平均度。不仅如此,扩展后的本体通常会更全面地定义领域内的概念、属性和关系,增加知识图谱中实体和关系的数量,从而增加平均度。同时也计算了各知识图谱的置信度,使用本文提出方法所构建的知识图谱具有更高的置信度。

综上所述,采用本文方法构建的知识图谱,可以更准确地定义概念、实体和关系之间的语义关系,提供更丰富的语义表达能力,更好地捕获知识之间的复杂关联。

4 结论

本文开展了基于本体指导的矿产预测知识图谱构建方法研究。针对成矿模式特有的科学内涵与知识体系,进行矿产知识概念建模与形式化表达。围绕矿产实体,构建解释矿产空间分布、演化过程和形成机制的语义表达模型,构建了图谱本体层。采用深度学习模型从海量的地质矢量图中抽取与矿产相关的地学知识,构建图谱数据层。进一步,以新疆东天山某地的斑岩铜矿地质资料为例,构建相应的知识图谱。该图谱融合了地质年代本体和地理空间本体,实现了时空语义的精准嵌入,为地质勘查工作中识别、控制和管理矿产资源、提升找矿精度提供知识服务。

参考文献

[1] 翟明国, 杨树锋, 陈宁华, 大数据时代: 地质学的挑战与机遇[J]. 中国科学院院刊, 2018, 33(8): 825-831.

[2] 刘艳鹏, 朱立新, 周永章. 卷积神经网络及其在矿床找矿预测中的应用: 以安徽省兆吉口铅锌矿床为例[J]. 岩石学报, 2018, 34(11): 3217-3224.

[3] 周永章, 左仁广, 刘刚, 数学地球科学跨越发展的十年: 大数据、 人工智能算法正在改变地质学[J]. 矿物岩石地球化学通报, 2021, 40(3): 556-573, 777.

[4] DAI Y F, WANG S P, XIONG N N, et al. A survey on knowledge graph embedding: approaches, applications and benchmarks[J]. Electronics, 2020, 9(5): 750.

[5] STUDER R, BENJAMINS V R, FENSEL D. Knowledge engineering: principles and methods[J]. Data and Knowledge Engineering, 1998, 25(1/2): 161-197.

[6] WANG C B, MA X G, CHEN J G, et al. Information extraction and knowledge graph construction from geoscience literature[J]. Computers and Geosciences, 2018, 112: 112-120.

[7] QIU Q J, XIE Z, WU L, et al. Automatic spatiotemporal and semantic information extraction from unstructured geoscience reports using text mining techniques[J]. Earth Science Informatics, 2020, 13(4): 1393-1410.

[8] ENKHSAIKHAN M, HOLDEN E J, DUURING P, et al. Understanding ore-forming conditions using machine reading of text[J]. Ore Geology Reviews, 2021, 135: 104200.

[9] 周永章, 张前龙, 黄永健, 钦杭成矿带斑岩铜矿知识图谱构建及应用展望[J]. 地学前缘, 2021, 28(3): 67-75.

[10] YAN Q, XUE L F, LIU Z Y, et al. Construction of deposit model-oriented knowledge graph[J]. IOP Conference Series: Earth and Environmental Science, 2021, 671(1): 012034.

[11] RASKIN R G, PAN M J. Knowledge representation in the semantic web for Earth and environmental terminology (SWEET)[J]. Computers and Geosciences, 2005, 31(9): 1119-1125.

[12] LI W J, WU L, XIE Z, et al. Ontology-based question understanding with the constraint of spatio-temporal geological knowledge[J]. Earth Science Informatics, 2019, 12(4): 599-613.

[13] COX S J D, RICHARD S M. A formal model for the geologic time scale and global stratotype section and point, compatible with geospatial information transfer standards[J]. Geosphere, 2005, 1(3): 119-137.

[14] 侯志伟, 诸云强, 高楹, 地质年代本体及其在语义检索中的应用[J]. 地球信息科学学报, 2018, 20(1): 17-27.

[15] HOBBS J R, PAN F. An ontology of time for the semantic web[J]. ACM Transactions on Asian Language Information Processing, 2004, 3(1): 66-85.

[16] BUDAK ARPINAR I, SHETH A, RAMAKRISHNAN C, et al. Geospatial ontology development and semantic analytics[J]. Transactions in GIS, 2006, 10(4): 551-575.

[17] BATTLE R, KOLAS D. GeoSPARQL: enabling a geospatial semantic web[J]. Semantic Web Journal, 2011, 3(4): 355-370.

[18] MA X G. Knowledge graph construction and application in geosciences: a review[J]. Computers and Geosciences, 2022, 161: 105082.

[19] 赵鹏大. 成矿定量预测与深部找矿[J]. 地学前缘, 2007, 14(5): 1-10.

[20] 赵鹏大, 胡旺亮, 李紫金, 矿床统计预测[M]. 北京: 地质出版社, 1983.

[21] 叶天竺, 韦昌山, 王玉往, 勘查区找矿预测理论与方法: 各论[M]. 北京: 地质出版社, 2017.

[22] 王世称. 综合信息矿产预测理论与方法体系新进展[J]. 地质通报, 2010, 29(10): 1399-1403.

[23] 成秋明. 成矿过程奇异性与矿产预测定量化的新理论与新方法[J]. 地学前缘, 2007, 14(5): 42-53.

[24] COX S J D, RICHARD S M. A geologic timescale ontology and service[J]. Earth Science Informatics, 2015, 8(1): 5-19.

[25] LUO L H, LI Y F, HAFFARI G, et al. Normalizing flow-based neural process for few-shot knowledge graph completion[C]// Proceedings of the 46th international ACM SIGIR conference on research and development in information retrieval. Taipei: Association for Computing Machinery, 2023: 900-910.

[26] JIA S B, XIANG Y, CHEN X J, et al. Triple trustworthiness measurement for knowledge graph[C]// The world wide web conference. San Francisco: Association for Computing Machinery, 2019: 2865-2871.

基金资助

吉林省自然科学基金项目(20220101114JC)

国家自然科学基金原创探索计划项目(42050103)