Omni Geometry Representation Learning vs Large Language Models for Geospatial Entity Resolution

文章总结与翻译

一、文章主要内容

该研究聚焦地理空间实体解析（Geospatial Entity Resolution, ER）问题，针对现有方法多局限于兴趣点（POI）的点几何数据、忽略复杂几何类型（线、折线、多边形等）导致空间信息丢失的缺陷展开研究，主要内容如下：

1. 问题背景：地理空间数据库的开发、集成和维护依赖高效准确的地理空间ER，但现有神经方法常将复杂几何简化为单点，丢失关键空间信息；同时，大语言模型（LLMs）在通用ER中表现优异，却未被应用于地理空间ER场景。
2. 模型提出：设计Omni模型，包含三个核心模块——语言模块（结合Attribute Affinity机制捕捉文本属性语义相似性）、地理距离模块（融合质心距离与最小距离）、Omni-GeoEncoder（统一编码点、线、多边形等多种几何类型），实现文本与空间信息的深度融合。
3. 数据集构建：创建首个公开的多几何类型地理空间ER数据集NZER，涵盖新西兰5个地区，结合OpenStreetMap（OSM）、GeoNames（GN）等多源数据，标注多语言地名与复杂几何实体。
4. 实验验证：在点几何数据集（如GeoD）和多几何数据集（如SGN、GTMD、NZER）上开展实验，对比Omni与现