论文推送 | 融合大语言模型与软件用户手册知识的空间数据库SQL智能生成方法

Ma, Y., Zhang, Y., Zhang, W., Zhao, X., & Yu, W.* (2026). Text-to-SpatialSQL: A LLM Based Method for Generating Spatial SQL Queries With Geo-Knowledge Extracted From Software User Manual. Transactions in GIS, 30, e70312. https://doi.org/10.1111/tgis.70312

团队成员

禹文豪，中国地质大学（武汉）地理与信息工程学院，教授，博士生导师，主要从事大模型、地图智能以及时空数据挖掘等研究。（联系邮箱：yuwh@cug.edu.cn；个人网站：http://grzy.cug.edu.cn/yuwenhao/zh_CN/index.htm）

马祎程，硕士研究生，中国地质大学（武汉）地理与信息工程学院，研究方向为大模型

张一帆，准聘副教授，中国矿业大学，研究方向为GeoAI、地图智能与大模型

张文博，硕士研究生，中国地质大学（武汉）地理与信息工程学院，研究方向为地理空间人工智能

赵心如，硕士研究生，中国地质大学（武汉）地理与信息工程学院，研究方向为地理空间人工智能

成果介绍

空间SQL语言是GIS数据库的核心操作环境，在当前“问数”等业务系统中应用广泛，但其复杂的语法和丰富的空间函数使非专业用户难以直接使用。传统文本到SQL（Text-to-SQL）方法在处理空间语义时容易出现函数误用、单位错误、索引失效等问题。本研究提出了一种融合大语言模型（LLMs）与地理知识图谱的新型框架——Text-to-SpatialSQL，通过从PostGIS官方用户手册文档中自动抽取地理知识，构建结构化知识图谱，并设计分层检索与链式推理机制，显著提升了复杂空间查询语句的生成准确率。实验表明，本方法在低复杂度与高复杂度查询任务中均显著优于现有基线模型，最高执行准确率（EX）达81.25%。整体框架如下图1所示：

图1 从用户手册知识图谱构建到空间SQL生成的完整流程

研究方法

本框架针对自然语言到空间SQL的转换过程做了系统性设计，核心流程如上图1所示，主要包括以下关键模块：

空间SQL知识图谱构建：基于PostGIS用户手册与官方文档，利用大语言模型自动抽取空间函数、操作语义与使用约束，构建层次化知识图谱。下图2展示了知识图谱的部分结构，顶层为空间操作类别，底层为具体函数及使用案例：

图2 空间数据库知识图谱的部分结构示例，展示从顶层空间概念到底层具体函数的层次化组织

下表进一步描述了图中示例节点的具体信息：

表1 知识图谱示例节点详细信息

分层检索增强生成（Hierarchical RAG）：针对复杂空间查询的多步推理需求，本研究设计了社区检测与分层检索机制。如下图3所示，地理知识库遵循层次化结构，从顶层核心概念逐步向下解析，查询通过遍历层次结构逐步分解为更具体的细节：

图3 从PostGIS用户手册生成空间数据库知识图谱的工作流程

链式推理与查询处理：如下图4所示，系统首先将社区报告划分为文本块并生成中间响应，随后汇总关键点作为上下文生成最终答案。整个检索过程采用BFS遍历与余弦相似度排序，确保检索结果的相关性：

图4 查询处理流程，包含“映射”步骤与“归约”步骤，实现复杂空间查询的分解与合成

实验数据与设置

本研究使用PostGIS官方文档构建知识图谱，涵盖近百个常用空间函数及其使用约束。为验证方法的泛化能力，选取纽约公开数据集（NYC Datasets）中的多张空间数据表。下图5展示了纽约市数据库中部分表之间的关联关系示例：

图5 纽约市数据库表关联示例，展示nyccensusblocks与nyccensussociodata表通过blkid字段的连接关系

本研究设计了600条自然语言查询语句，覆盖11类基础空间操作与19类高级空间操作。查询任务依据模式复杂度分为低复杂度（涉及1-2张表）与高复杂度（涉及3张及以上表，需JOIN、子查询、CTE等），分类标准如下表所示：

表2 空间分析查询模式复杂度分类标准

实验结果

本研究在包含600条自然语言查询的评测集上对Text-to-SpatialSQL进行了评估，涵盖11类基础空间操作与19类高级空间操作。如表3、表4所示，本框架在Llama 3.1与GPT-4两种基座模型上均显著优于传统Text-to-SQL、LLM-Only基线以及近期SpatialSQL方法，在低复杂度任务上最高执行准确率达81.25%，在高复杂度任务上相对传统方法提升12.9%。以“识别街道与医院交汇点周边350米范围内的学校”这一复杂查询为例，传统方法误用STDistance导致单位错误与全表扫描，而本框架能够正确使用STIntersects与ST_DWithin，并通过CTE分步生成准确、可执行的空间SQL。

表3 不同模型在低/高模式复杂度任务上的性能对比（基座模型：Llama 3.1）

表4 不同模型在低/高模式复杂度任务上的性能对比（基座模型：GPT-4）

研究结论

本研究面向空间数据库检索的智能生成难题，系统性地将软件手册中的地理知识与大语言模型相结合，提出了Text-to-SpatialSQL框架。该方法通过构建层次化地理知识图谱、设计分层检索增强生成机制与链式推理提示工程，实现了从自然语言到专业空间SQL的高质量转换。实验证明，该方法在多项性能指标上显著优于现有方法，并能够有效抑制典型空间语义错误。该成果为降低GIS应用的使用门槛、提升空间数据分析的效率与智能化水平提供了新的技术路径，可广泛应用于城市规划、环境监测、数字孪生城市等需要智能空间数据检索的业务领域。