《Data & Knowledge Engineering》：ASK-BIM: A knowledge graph-powered AI system for natural language querying of BIM models
编辑推荐：
为解决建筑信息模型（BIM）数据因格式复杂、缺乏语义结构导致查询困难、对专业软件和知识依赖度高等问题，研究人员开展了结合知识图谱（KG）与大语言模型（LLM）的研究，提出了ASK-BIM系统。该系统能将IFC文件转换为知识图谱，并通过自然语言问答实现对BIM数据的直观访问，实验验证了其在结构化查询上的有效性，代表了向高效、可解释的AI驱动BIM分析迈出的重要一步。
建筑信息模型（Building Information Modeling， BIM）正在深刻变革建筑、工程、施工与运维（Architecture, Engineering, Construction, and Operation， AECO）行业。它将一个建筑项目全生命周期中纷繁复杂的几何、空间、时间、成本乃至可持续性等多维度信息整合到一个统一的数字化模型中，极大地促进了各参与方的协作。然而，蕴藏在这些模型中的海量信息，对于非专业人士甚至许多业内人员而言，却像一座难以轻易进入的“数据孤岛”。究其原因，主流的BIM数据交换格式——工业基础类（Industry Foundation Classes， IFC）文件，虽然确保了互操作性，但其本身是庞大且高度结构化的文本数据，缺乏易于理解和查询的语义结构。直接使用现有的专业软件（如Autodesk Revit）需要专门技能，而直接将当前先进的超大语言模型（Large Language Models， LLMs， 如ChatGPT、DeepSeek）应用于原始IFC文件也收效甚微，因为它们难以处理文件体积、无法理解数据间的复杂关系，往往只能进行简单的元素计数，无法回答涉及属性关联和空间推理的复杂问题。
因此，如何让建筑师、工程师、物业经理乃至普通用户能够像与专家对话一样，用自然语言轻松查询BIM模型中的信息，成为一个亟待解决的挑战。这正是论文《ASK-BIM: A knowledge graph-powered AI system for natural language querying of BIM models》旨在攻克的核心问题。这项研究发表在《Data 》上，由Andrea Ibba、Rubén Alonso和Diego Reforgiato Recupero合作完成。
为了构建一个能理解自然语言并精准回答BIM相关问题的系统，研究人员设计并实现了名为ASK-BIM的创新性技术流程。其核心思想是“先结构化，再智能查询”，而非让LLM直接“硬啃”原始IFC文件。首先，利用IFC-to-LBD转换器将IFC文件转化为基于语义网标准的链接建筑数据（Linked Building Data， LBD）知识图谱。这一步骤至关重要，它利用建筑拓扑本体（BOT）、建筑元素本体（BEO）、产品本体（PRODUCT）和建筑相关属性本体（PROPS）等一系列标准化本体，将IFC中隐含的实体（如墙、门、窗）、属性（如面积、高度）和关系（如包含、相邻）显式地、结构化地表示出来，形成一张语义丰富的“知识网络”。然后，研究采用了类似思维链（Chain of Thought）的提示策略，引导LLM（本研究中选用ChatGPT）完成多步推理：先将复杂的用户自然语言问题分解或简化为子问题；接着识别子问题中提及的实体与知识图谱中的类别（如beo:Wall）进行匹配，并提取相关的属性和关系作为上下文；随后，LLM根据此上下文生成能够从知识图谱中检索所需数据的SPARQL查询语句；执行这些查询后，将获取的结果数据再次交给LLM，由其整合并生成最终的自然语言答案。整个流程的代码已在GitHub开源。用于评估的系统基于一个代表巴塞罗某一真实多层办公楼（共4层）的IFC模型，并创建了28个由领域专业人士设计的、具有不同复杂度的问题集。
研究结果通过一系列严谨的实验和问题分类得以呈现。研究人员从两个维度对28个测试问题进行了分类：一是根据“实体与属性参与度”分为“单实体单属性”、“单实体多属性”和“基于推理”三类；二是根据“知识图谱中的实体表示”分为“直接问题”（目标概念在KG中明确建模）和“间接问题”（需要推断KG中未明确表示的概念）。评估由三位BIM领域的专家进行，他们将系统答案分为完全正确（绿色）、部分正确（黄色）和错误（红色）。
1. 单实体单属性问题结果：在7个此类问题中，有5个获得了完全正确的回答。例如，“二楼有多少扇门？”这类问题能够被准确回答。一个部分正确的案例是“建筑中所有走廊的平均层高是多少？”，系统因未能正确构建仅检索走廊墙体的SPARQL查询，而计算了所有墙体的平均高度。一个错误的案例是“二楼有多少个房间？”，由于“房间”并非KG中的显式实体，需要从墙、楼板等元素的关系中间接推断，系统生成的SPARQL查询过于复杂且未能检索到有效结果。
2. 单实体多属性问题结果：在7个此类问题中，有6个完全正确。例如，“二楼所有墙体的总表面积是多少？”被成功解答。一个部分正确的案例是“二楼窗户的总玻璃面积是多少？”，系统未能检索到“玻璃面积”这一未在KG中明确定义的属性，转而使用了窗户的“总面积”属性。
3. 基于推理的问题结果：这是最具挑战性的类别，在14个问题中，有5个完全正确，1个部分正确，8个错误。成功的案例如“我能安装在最小墙上的最大尺寸窗户是多少？”，系统成功分解问题，分别查询了所有窗户和墙体的尺寸属性，并通过推理给出了答案。另一个亮点是“建筑中哪些墙是防火的？”，这是一个“间接问题”但被正确回答。系统通过检索墙体的标签属性（如“BasicWall:Interior - 79 mm Partition (1-hr)”），并利用LLM的常识推理出“(1-hr)”代表一小时防火等级，从而得出了正确结论。多数错误发生在SPARQL查询生成步骤，对于需要复杂空间推理（如“二楼墙体围合的总面积是多少？”）或涉及隐含关系的问题，系统生成的查询无法获取有效数据或逻辑错误，导致最终答案失败。
研究的结论与讨论部分明确指出，ASK-BIM系统验证了将BIM模型转换为知识图谱对于提升其语义可访问性的关键作用（回答了研究问题RQ1）。通过将LLM的推理能力建立在结构化的知识图谱之上，系统能够有效地将自然语言问题转换为SPARQL查询（回答了RQ2）。与直接处理IFC文件的方法相比，这种结合显著提高了BIM查询的准确性和可用性，特别是在处理“直接问题”时表现优异（回答了RQ3）。这标志着向通过自然语言实现直观、高效的BIM查询迈出了重要一步。
然而，研究也坦率指出了当前的局限性。最主要的挑战来自于对“间接问题”和需要高级空间推理的问题处理不佳，这很大程度上是因为受提示词长度限制，无法将完整的本体知识提供给LLM，限制了其进行整体语义推理的能力。此外，SPARQL查询生成的准确性仍是影响最终结果的关键瓶颈。
展望未来，研究认为可以通过智能体（Agent）推理策略、改进SPARQL查询生成、评估本地或开源LLM以提升成本效益等方式进一步加强系统。同时，将BIM模型与物联网（IoT）传感器数据整合以构建多维数字孪生，并利用类似ASK-BIM的系统进行查询，是一个充满前景的方向。总之，ASK-BIM通过弥合结构化BIM数据与AI推理之间的鸿沟，为更智能、可扩展和用户友好的建筑环境信息访问解决方案铺平了道路。
