基于知识图谱的花卉病虫害知识管理方法

为解决花卉病虫害领域中病虫害防治因素关系复杂、知识冗余等问题，结合知识图谱对知识组织和管理的技术，提出一种基于知识图谱的花卉病虫害知识管理方法。首先，根据文献提取包括环境在内的花卉病虫害防治要素，构建花卉病虫害本体模型并存储在RDF图中，实现对知识规范性和完整性的控制；其次，对花卉病虫害领域文本进行分析，针对分析得到的文本特点，提出融合头尾实体分离“01”标注方法、轻量级双向转换编码表示模型(A lite BERT, ALBERT)和引入词性特征的级联标注模型(Cas_POSRel)的抽取框架进行三元组抽取；之后利用自定义RDF2PG映射算法，按照RDF图中的本体模型将抽取到的三元组存入Neo4j数据库中，完成对花卉病虫害知识的存储及管理。实验结果证明提出的抽取框架中标注方法、预训练模型与抽取模型相比基线方法F1值分别提升0.88、4.90、8.57个百分点，同时得到抽取结果F1值为95.07%。通过知识发现表明该知识管理方法能有效组织管理病虫害知识，帮助花卉种植人员进行更为有效的病虫害防治工作。     

融合Albert模型的珍稀濒危植物知识图谱的构建

针对珍稀濒危植物形态特征、分类等级、濒危系数、保护措施等知识不明确的问题，设计了文本融合轻量级双向转换编码表示模型(Albert)的知识抽取模型框架，实现批量抽取珍稀濒危植物知识，从而构建珍稀濒危植物知识图谱：1) 在现存一般性植物本体的基础上，采用自顶向下的方式构建珍稀濒危植物本体，得到5个体系，即物种分类体系、生长形态特征体系、命名体系、保护现状体系和生态习性体系；2) 采取Albert预训练模型来增强下游任务模型输入向量的珍稀濒危植物属性描述文本语义的表征能力；3) 利用BiLSTM–CRF模型和BiGRU–Attention模型分别实现命名实体识别和关系抽取。在珍稀濒危植物数据测试集上对模型的有效性进行验证，结果表明，命名实体识别模型和关系抽取模型的召回率和准确率的调和平均值(F1)值分别达到98.07%和93.76%，将得到的大量的实体和关系所形成的三元组存储在图数据库Neo4j中，完成珍稀濒危植物知识图谱的可视化展示。