农业知识图谱研究综述

知识图谱是大数据时代下知识工程的关键技术。利用知识图谱强大的语义理解和知识组织能力,可以解决现代化农业建设中农业知识分散无序、知识覆盖范围不足等问题针对农业领域数据复杂、专业性强等特点,给出了农业知识图谱的构建方法与框架;综述了农业知识图谱构建中本体构建、知识抽取、知识融合以及知识推理四个关键技术的国内外研究现状;系统梳理了农业知识图谱在决策支持、智能问答与推荐系统的应用;最后,介绍了几个具体的农业知识图谱实例。根据农业知识图谱的研究现状,对其未来的研究方向进行了展望。

知识图谱在农业中的应用

大数据背景下,知识图谱越来越受到人们的关注,其在生物信息、金融和医疗等领域取得了广泛的应用。但是,目前在农业中的应用较少。本文首先介绍了知识图谱的基本概念、基本特征和国内发展现状。然后,阐述了研究农业知识图谱的必要性,并以茶叶病虫害知识图谱为例,介绍了知识图谱的绘制工具及其应用。最后,对知识图谱在农业上的应用进行了总结和展望。

基于主动学习与众包的农业知识标注体系及语料库构建

农业书籍与网络知识库作为领域专家撰写的蕴含了大量农学常识与农事经验的数据源,具有高可信、知识丰富、结构规范等特点。为了挖掘此类文本源中的农学知识,该文讨论了农业命名实体和实体关系的相关问题,首次提出了主动学习与众包相结合的农业知识标注体系。在农学专家的指导和参与下,构建了包含9类实体以及15大类、37小类语义关系的多源农业知识标注语料库,其中农业书籍源共3.7万个实体、3.5万个实体关系,百度百科源含1.1万个实体以及1.5万个实体关系。在实验部分,我们利用标注一致性评价标准对比了两类数据源的标注质量,并从实体识别、关系抽取两个方面证明了主动学习能够节约标注成本、提升标注效率和模型训练效果,为后续研究打下了坚实基础。

基于ALBert的农业实体识别模型

由于信息技术快速发展导致农业领域相关数据海量增长,为农业信息检索带来了一定挑战。构建高效、精准的农业知识图谱成为应对挑战的有效方法。其中,农业实体识别在构建农业知识图谱这一过程中扮演着核心角色。为了确保数据的有效组织和利用,提出了一种ALBert-BiLSTM-CRF模型用于提高农业实体识别的准确性。试验结果表明,ALBert-BiLSTM-CRF模型通过参数共享和层次重复使用技术,大幅度降低了模型复杂度,加快了训练速度,使其在处理大规模农业文本数据时更加高效;引入上下文关系强化(CRR)预训练任务,模型增强了对文本间长距离依赖和上下文关系的理解能力,提高了实体识别的准确性。

学科研究综合模型的构建与实证——以农业经济管理学科为例

从研究热点、层次及方法三个角度构建学科研究的综合模型,多维度展现学科(领域)研究全景,为研究学科现状提供了崭新的视角。并以我国"农业经济管理"学科为例,运用该模型对其进行实证分析,揭示了该学科的研究现状及趋势。

基于语义融合与模型蒸馏的农业实体识别

当前农业实体识别标注数据稀缺,部分公开的农业实体识别模型依赖手工特征,实体识别精度低。虽然有的农业实体识别模型基于深度学习方法,实体识别效果有所提高,但是存在模型推理延迟高、参数量大等问题。本研究提出了一种基于知识蒸馏的农业实体识别方法。首先,利用互联网的海量农业数据构建农业知识图谱,在此基础上通过远程监督得到弱标注语料。其次,针对实体识别的特点,提出基于注意力的BERT层融合模型(BERT-ALA),融合不同层次的语义特征;结合双向长短期记忆网络(BiLSTM)和条件随机场CRF,得到BERT-ALA+BiLSTM+CRF模型作为教师模型。最后,用BiLSTM+CRF模型作为学生模型蒸馏教师模型,保证模型预测耗时和参数量符合线上服务要求。在本研究构建的农业实体识别数据集以及两个公开数据集上进行实验,结果显示,BERT-ALA+BiLSTM+CRF模型的macro-F1相对于基线模型BERT+BiLSTM+CRF平均提高1%。蒸馏得到的学生模型BiLSTM+CRF的macro-F1相对于原始数据训练的模型平均提高3.3%,预测耗时降低了33%,存储空间降低98%。试验结果验证了基于注意力机制的BERT层融合模型以及知识蒸馏在农业实体识别方面具有有效性。