研究背景
BIM技术的挑战
建筑信息模型（BIM）通过数字化表示建筑物的物理和功能特征，从根本上改变了建筑、工程和施工（AEC）行业。然而，自动提取和解释空间语义信息仍是主要挑战之一。
图神经网络的机遇
图神经网络（GNN）为BIM语义丰富的自动化提供了新视角。通过在图结构中表示建筑组件及其空间连接，GNN能够有效分析和理解复杂的空间语义。
核心创新点
01
BGFEF模型
提出基于Graph-BERT的节点特征增强模型，融合边特征与节点特征，通过可学习的融合层注入空间关系信息
02
空间关系定义
定义了共墙连接、走廊连接、角落连接和开放空间连接四种空间关系类型，提供更精确的分类标准
03
BuildingGraph数据集
构建涵盖学校、公寓、办公楼三类建筑的数据集，包含300个子图、12种功能空间和4种关系特征
技术方法架构
模型架构特点
- 边特征融合：将边的属性向量与节点特征融合，细粒度刻画空间关系影响
- 无链接子图批处理：通过top-k亲密度采样限制信息扩散，避免特征同质化
- Transformer编码：利用自注意力机制更新全局上下文信息
- WLE算法改进：考虑边特征的Weisfeiler-Lehman-Edge算法增强节点角色识别
数据处理流程
步骤1：数据采集
从建筑法规标准中提取1500条规范文本，覆盖多种建筑类型
步骤2：语义标注
使用TF-IDF算法提取30个候选标签，最终确定12种功能空间类型
步骤3：图构建
标注715个三元组，生成300个包含节点和关系边的子图
功能空间分类体系
160
普通教室
154
美术教室
193
办公室
189
会议室
160
卧室
134
厨房
129
客厅
166
洗手间
共计 1869 个功能空间概念