论文记录：GEOLLM大语言模型地理空间知识抽取方法

       机器学习已经被广泛应用于地理空间任务中，包括贫困评估、公共健康、食品安全等等。在上述任务中，数据的质量尤为关键。然而，高质量数据的获取面临诸多挑战，如时空覆盖度有限、成本高和权限限制等等。例如，研究者们通常使用免费和公开的卫星图像估计社会经济指标，但卫星图像往往不能全面覆盖该任务所需的重要特征，导致估计精度低。针对该问题，作者受到大语言模型（LLM）的启发，探究LLM是否蕴含有助于地理空间任务学习的相关知识，并设计大语言模型地理空间知识抽取方法GEOLLM。

   GEOLLM是一种基于提示学习的方法。该方法引入外部OpenStreetMap地图数据，构建包含地址和邻居信息的提示，并以此输入LLM进行特定任务微调。下图展示了基本提示模板和本文所提出的提示模板，同时展示了在人口密度预测任务上微调GPT-3.5后的预测结果。由图可知，基础提示模板仅输入目标位置的GPS坐标，微调GPT-3.5输出的结果与真实结果相差甚远。相对而言，本文所提出的提示模板包含了目标位置的详细地址信息，以及其邻居位置信息，微调GPT-3.5输出的结果与真实结果相近。

        阅读该论文后，有以下收获：大语言模型包含地理空间知识，但感觉该种知识仍然体现在语义上，也即地理位置名称所蕴含的知识，而非坐标所反映的距离或位置知识。LLM包含粗粒度的地理空间知识（大范围位置的相关信息，比如城市类型，街道类型），但针对细粒度的地理空间知识还需进一步探索（A与B的距离）。