农业知识驱动服务技术革新综述与前沿

农业知识驱动服务技术是指运用先进信息技术,科学、高效调配农业领域专业知识服务资源,为农业行业提供智能化知识服务的技术,在解决农业技术服务供需严重失衡等难点问题方面具有重要意义,日益成为支撑农业转型升级和高质量发展的重要引擎,代表着核心研究方向,伴随着技术发展全过程。目前农业行业迫切需要解决的是知识供给严重不足、服务效率不高的问题,农业知识驱动服务技术经历较长时间发展,在知识高效匹配和精准供给方面取得了较大进步,特别是2022年11月以来ChatGPT这类技术的出现,充分展现了超大规模预训练模型在知识智能服务方面的巨大潜力,这也是农业知识驱动服务可以取得突破的关键所在,可以在这方面发挥重要作用。该文在分析农业知识驱动服务相关技术现状的基础上,展望了农业领域可行的知识驱动服务技术路径,预测农业领域知识服务大模型研发构建会呈现参数由少到多、算力由弱趋强、强化训练逐渐加深的特点得到快速发展应用,未来将在专业技术指导、农业“装备-信息-农艺”融合、农业信息系统平台服务总线等方面系统升级现有农业知识服务范式,多模态服务将得到系统融合加深,人机交互模式将向“人性化”方向进一步黏合增强,从而为农业智能化转型升级提供全新的技术支撑,引领农业知识服务从数据检索、语义匹配迈向生成式知识驱动模式转变。     

基于WoS文献计量学和知识图谱的农业机器人进展与趋势

随着物联网、大数据、人工智能等技术的进步,全球农业机器人研究迅速发展.为了解全球农业机器人的发展现状,该研究基于Web of Science(WoS)核心数据,利用知识图谱可视化软件,绘制农业机器人研究领域知识图谱.研究表明:农业机器人研究大致可以分为4个发展阶段,当前农业机器人研究进入加速发展期,逐步向多功能、智能化...     

多模态知识图谱增强葡萄种植问答对的答案选择模型

针对传统答案选择模型仅依靠问答对自身信息进行匹配的问题,该研究提出了一种使用多模态知识图谱来增强问答对的答案选择模型。该模型通过设计基于ComplEx（complex embedding）图谱嵌入的方法学习多模态知识图谱嵌入,引入上下文注意力机制并使用CNN网络获取多模态知识图谱的特征表示,使用知识感知注意力方法,将多模态知识图谱提供的背景知识与问答对的文本语义信息融合。以葡萄种植为例,通过搭建葡萄种植多模态知识图谱和构造葡萄种植问答数据集开展试验,试验结果表明: 使用多模态知识图谱有助于模型获取更多信息从而达到更好的效果,在葡萄问答数据集中正确答案的平均倒数排名和平均准确率分别达到了85.02%、84.21%,与其他模型相比平均倒数排名提高2.57个百分点,平均准确率提高了3.96个百分点。该答案选择模型利用多模态知识图谱的知识提高答案选择效果,可为搜索、问答等下游任务提供技术基础。     

基于深度学习的作物病虫害可视化知识图谱构建

针对作物病虫害领域存在实体关系交叉关联、多源异构数据聚合能力差、知识共享困难等问题，利用知识图谱以结构化的形式描述实体间复杂关系的优势，该研究提出了一种基于深度学习的作物病虫害知识图谱构建方法。该方法在领域本体的基础上，以一种与领域语料相适应的新标注模式实现实体和关系的联合抽取。将实体和关系抽取任务转化为序列标注问题，对实体和关系进行同步标注，有效提高标注效率；为了解决重叠关系抽取问题，直接对三元组建模而不是分别对实体和关系建模，通过标签匹配和映射即可获得三元组数据。利用来自转换器的双向编码器表征量（Bidirectional Encoder Representations from Transformers，BERT）-双向长短期记忆网络（Bi-directional Long-Short Term Memory，BiLSTM）+条件随机场（Conditional Random Field，CRF）端到端模型进行试验，结果表明效果优于基于普通标注方式的流水线方法和联合学习方法中的卷积神经网络（Convolutional Neural Networks，CNN）+BiLSTM+CRF、BiLSTM+CRF等经典模型，F1得分为91.34%。最后，将抽取到的知识存储到Neo4j图数据库中，直观地反映知识图谱的内部结构，实现知识可视化和知识推理。该研究构建的知识图谱可为作物病虫害智能问答系统、推荐系统、智能搜索等下游应用提供高质量的知识库基础。     

世界农业工程学科研究进展及发展趋势

为准确了解世界农业工程学科的演进发展过程,把握学科未来发展方向,为中国农业工程学科发展提供借鉴,为农业强国建设和中国式现代化提供学科支撑,该研究基于Web of Science核心数据,精选世界农业工程领域的30种期刊,采用文献计量学方法和可视化图谱软件,绘制了1965-2021年6个时段（1965-1970年、1971-1980年、1981-1990年、1991-2000年、2001-2010年、2011-2021年）的世界农业工程学科研究相关图谱。结果表明：世界农业工程学科主要研究内容经历了从水、土壤、多孔介质、畜禽粪污处理及环境污染控制等传统学科领域到生物质资源生产、预处理、厌氧消化,藻类培养,木质纤维素利用,人工神经网络、人工智能、物联网、计算机信息、光谱、大数据、“3S”等技术在农业中应用（精准农业、智慧农业、垂直农业等）等学科交叉研究的深度转化。从研究产出量看,20世纪,美国在世界农业工程研究领域处于领先地位,其次为加拿大和英国;21世纪,中国、印度和巴西跻身前列,2011-2021年中国跃升至首位。农业工程交叉学科的特点日趋突出,相关学科交叉研究期刊的载文量和影响力逐渐提...     

中国农业文化遗产研究的文献计量与知识图谱分析——基于中国知网(CNKI)和Web of Science数据库

自联合国粮农组织(FAO)启动"全球重要农业文化遗产(GIAHS)"保护项目以来,学术界对农业文化遗产研究的关注度不断提高。为系统考察和直观反映中国农业文化遗产研究的现状、热点和前沿,以"农业文化遗产"为主题,基于中国知网(CNKI)和Web of Science数据库,筛选出2006—2019年相关文献共240篇进行文献计量和知识图谱分析。结果表明:2006—2019年,中国农业文化遗产研究大体经历了初步探索、快速增长和平稳发展3个阶段。在刊文载体上,已形成由《中国农史》《中国农业大学学报》《资源科学》《中国生态农业学报》《Journal of Resources and Ecology》等8种期刊组成的核心期刊群;在研究机构上,以中国科学院地理科学与资源研究所、南京农业大学等为代表的科研院所占据重要地位;在发文作者上,以闵庆文、王思明及其团队为引领而取得的成果最为丰硕;在研究内容上,多侧重于农业文化遗产的保护利用、旅游开发、价值评价等方面;在研究案例选择上,主要集中于拥有全球及中国重要农业文化遗产的云南、浙江、江苏、贵州、广西等省;在研究方法上,仍以个案分析、定性分析居多。今后应继续深化农业文化遗产概念、分类、保护机制与模式等基础理论研究;拓展农业文化遗产时空动态演变、监测预警机制构建、经济—社会—文化—生态环境效应评估等新领域研究;主动对接国家重大战略需求,加强"一带一路"、大运河、黄河流域、长江经济带等重点区域农业文化遗产研究;不断拓宽研究视野,推进多学科理论、方法、技术集成和综合应用,打造农业文化遗产研究多元融合共同体。     

基于属性特征知识图谱的细粒度葡萄园害虫识别

针对葡萄园害虫识别过程中害虫种类繁多、形态属性复杂、实体间深层次关联关系差等因素导致的识别准确率不够高的问题,该研究提出一种基于属性特征知识图谱的细粒度葡萄害虫识别模型。该模型以视觉编码器作为提取图像高层表征的骨干网络,并结合知识图谱具有在描述害虫实体属性特征和害虫实体间关联方面的优势,将知识图谱所提供的细粒度属性特征和害虫实体关联特征信息用于葡萄园害虫分类研究。该方法在2个数据集上进行了测试：一是GP21数据集,该数据集由公开大规模害虫数据集IP102中21类葡萄园相关害虫类别图像构成;二是GP8数据集,该数据集包含从农业生产基地实地采集并手工标注的8种葡萄园害虫。试验结果表明,该文所提模型性能明显优于普遍通用预训练网络模型,分类准确率在GP21数据集和GP8数据集上分别达到了91.21%和95.03%,相比于仅使用视觉编码器分别增加1.64和1.17个百分点。这证明属性特征知识图谱的引入能够辅助视觉编码器捕获细粒度更高的葡萄园害虫特征信息,有效解决了葡萄园害虫识别中的精度不够高的问题。     

基于科学计量的中国农业工程研究热点探析

农业可持续发展是农业工程研究所追求的目标,也是农业工程学科需要重点解决的问题,准确把握与判断学科发展方向对促进农业可持续发展具有重要意义。该研究以1957—2014年发表在《农业工程学报》与《农业机械学报》中的学术论文为研究对象,应用科学计量学方法与可视化知识图谱技术,直观呈现了不同阶段中国农业工程研究热点,总结了不同阶段研究热点组成与基本特征,探讨了研究发展总体趋势。研究表明,中国农业工程研究总体上经历了以较单一热点主题向多元化主题发展的过程;在研究领域方面经历了从简单工程技术在农业中的应用向工程技术与计算机、生物、资源、环境与生态等科学的跨学科交叉融合及丰富化过程,在研究手段与技术应用上经历了从简单的实验分析向计算机模拟仿真、智能控制及物联网等高新技术为主的创新与拓展过程。当前中国农业工程研究正向以信息化、自动化和智能化为核心的智能精准农业技术研究方向发展,突破环境与资源约束,发展高效、安全与可持续现代农业成为学科研究与发展的新方向。研究可为相关研究人员追踪学科发展方向提供参考。     

农产品标准领域知识图谱实体关系抽取及关联性分析

农产品标准不仅是衡量农产品安全的尺度，也是农产品安全监管的重要依据，当前农产品标准信息并没有得到系统性的关联划分与复用。针对此问题，该研究依据标准化文件的起草规范设计了农产品标准信息本体规则，在现有的农产品标准文件及相关词条数据基础上，为半结构化数据设计了正则包装器；为非结构化文本提出了一个基于依存句法分析的农产品领域开放关系抽取模型（Open Relation Extraction Model In Agricultural Products Field, OREM-AF），实现了该领域知识的自动抽取。结果表明该研究设计的包装器在提取半结构化数据信息时，准确率与F1值均在95%以上；提出的OREM-AF模型在农产品语料上准确率达74.22%、F1值为75.12%，在通用语料上准确率达84.51%、F1值为75.43%，抽取结果均好于基于依存句法分析的其他模型。依托抽取数据构建了农产品标准领域知识图谱，并在知识图谱的相互关联网络上进行了标准社区挖掘，挖掘出的关联标准知识能够为农产品标准监管提供辅助分析支撑。     

用BERT和改进PCNN模型抽取食品安全领域关系

为了提高食品安全领域关系抽取的效率和准确性,该研究在收集食品安全领域语料的基础上,对语料中相应的实体和关系进行标注,构建可用于食品安全领域关系抽取的专业数据集。同时,提出面向食品安全领域的基于BERT-PCNN-ATT-Jieba的关系抽取模型,该模型使用基于转换器的双向编码器表征量（Bidirectional Encoder Representations from Transformers,BERT）预训练模型生成输入词向量,并结合分段卷积神经网络（Piecewise Convolutional Neural Network,PCNN）模型的分段最大池化层能极大程度捕获句子局部信息的特点,在分段最大池化层与分类层之间添加了注意力机制,以进一步提取高层语义。此外,考虑中文语料的特性,在BERT模型进行随机掩码切分之前,采用Jieba分词技术对中文语料进行分词,PCNN模型在执行掩码语言模型（Masked Language Model,MLM）时以词为单位进行掩码,使得输入到训练模型中的句子尽可能减少语义损失,以实现更高效的关系抽取。在该研究构建的数据集基础上,将BERT-PCNN-ATT-Jieba模型与经典的卷积神经网络（Convolutional Neural Network,CNN）、PCNN模型、以及结合BERT的CNN、PCNN、PCNN-ATT、PCNN-Jieba等6个模型进行比较,该研究提出的BERT-PCNN-ATT-Jieba模型取得更优的性能,其准确率达到84.72%,召回率达到81.78%,F1值达到83.22%。该模型为食品安全领域的知识抽取提供参考,为该领域知识图谱的自动化构建节约了成本,同时为基于该领域知识图谱的知识问答、知识检索、数据共享及食品安全智慧监管等应用提供依据。     

基于深度学习的水产病害可视化知识图谱构建与验证

知识图谱本质上是基于图的语义网络，表示实体与实体之间的关系，在知识问答、语义检索等领域起着至关重要的作用。针对目前水产病害领域存在实体关系交叉关联、多源异构数据聚合能力差、利用率低、知识共享困难等问题，该研究基于自然语言处理和文本挖掘提出了一个基于神经网络深度学习模型的水产病害专业领域知识图谱构建方法并进行试验验证。首先，构建水产病害专业领域本体，并预定义实体类型、属性和关系的集合，确定知识抽取边界；其次，在本体基础上，分别利用规则方法和深度学习方法对半结构化和非结构化知识进行抽取。对于非结构化知识，提出“水产病害+关系+BMES”文本标注体系，将关系抽取融合于命名实体识别任务中直接对三元组建模，将实体关系抽取转化为序列标注问题，不仅提高标注效率，还实现了实体和关系的联合抽取。同时通过标签匹配和映射对三元组建模获得RDF数据，解决了重叠关系抽取的难题。利用BERT-BiLSTM+CRF端到端模型进行试验，试验结果证明该三元组抽取方法具有较高的召回率（89.64%），准确率（94.04%）和F₁值（91.34%），优于CNN+BiLSTM+CRF和BiLSTM+CRF等模型，抽取效果有了显著提升，并将抽取到的知识存储到 Neo4j 图数据库中，实现知识可视化管理及知识推理分析。该研究构建的水产病害知识图谱精度高、粒度细，能够帮助机器理解数据、解释现象、知识推理，从而发掘深层关系、实现智慧搜索与智能交互。     

结合知识图谱与双向长短时记忆网络的小麦条锈病预测

针对现有小麦条锈病预测方法没有利用病害发生因素之间的语义信息,存在预测难度大、准确率低等问题,利用知识图谱(Knowledge Graph, KG)和双向长短时记忆网络(Bi-directional Long Short-Term Memory, Bi-LSTM)处理多源异构复杂数据的各自优势,提出一种基于KG与Bi-LSTM结合的小麦条锈病预测方法。首先,构建小麦条锈病知识图谱,将与小麦条锈病发生相关的环境信息转换为特征向量;其次,利用特征向量训练Bi-LSTM模型,得到基于Bi-LSTM的小麦条锈病预测模型;最后,利用小麦条锈病数据库数据进行试验。结果表明,KG丰富了进行病害预测所描述的语义信息,提升了Bi-LSTM提取高层病害预测特征的能力,从而提高了病害预测的准确率。在小麦条锈病数据库上的预测准确率达到93.21%,比基于Bi-LSTM的病害预测方法提高了4.5个百分点。该方法能较好预测小麦条锈病,为小麦条锈病的预报预警和综合防治提供科学依据。     

面向葡萄知识图谱构建的多特征融合命名实体识别

为解决构建知识图谱过程中由于上下文环境复杂、现有模型字向量语义表征相对单一导致领域专业实体识别率低的问题,该研究提出了来自转换器的双向编码器表征量（bi-directional encoder representation from transformer, BERT）和残差结构（residual structure, RS）融合的命名实体识别模型（bert based named entity recognition with residual structure,BBNER-RS）。通过BERT模型将文本映射为字符向量,利用双向长短时记忆网络（bi-directional long-short term memory, BiLSTM）提取局部字符向量特征,并采用RS保留BERT提供的全局字符向量特征,以提高字向量的语义丰富度,最后通过条件随机场（conditional random field, CRF）模型对特征向量解码,获取全局最优序列标注。与其他命名实体识别模型相比,提出的BBNER-MRS模型在葡萄数据集上表现较好,在葡萄人民日报、玻森、简历和微博数据集上F1值分别达到89...     

基于知识图谱与案例推理的水稻精准施肥推荐模型

目前水稻种植户的施肥行为存在一定的盲目性,会造成肥料浪费和环境污染等问题,对此该研究提出了一种基于知识图谱和案例推理的水稻精准施肥推荐模型,包括推荐定性的施肥方案和定量的施肥量两个阶段。首先,使用PairRE模型获取图谱中全部实体和关系的低维向量表示,并在此基础上依据待种植的水稻品种进行知识推理以得到定性的施肥方案;然后,结合实体向量检索出k个相似案例,通过k个案例进行组合预测,得出具体施肥量数值。由中国知网获取166个环境指标数值明确、施肥过程记录完整的水稻施肥事件用于模型的验证,结果表明,与测试事件的实际施肥方案相违背的部分仅占比10.76%;对于氮肥施用总量、磷肥施用总量、钾肥施用总量和氮肥基叶肥与穗肥运筹比例的预测精度分别达到了92.85%、82.61%、79.17%和90.92%。该施肥推荐模型能够输出详细的施肥方案和精确的施肥量,算法过程可解释性较强,可为水稻精准施肥推荐系统的设计提供支撑。     

农业科学数据平台古籍知识揭示系统设计与实现

文章简要介绍了在构建国家农业科学数据共享平台过程中,研究和开发的B/S结构的农业科学知识内容揭示系统主要设计思想、方法和技术,介绍了农业古籍知识资源组织、开发和利用的深入探讨,以及对古籍图像进行知识内容标引的尝试,实现了通过古籍知识点进行全文的检索,该项研究对农业科学数据共享平台的知识资源开发与共享,具有重要的现实意义。