基于BERT字向量和TextCNN的农业问句分类模型分析

【目的】研究不同词向量和深度学习模型组合对农业问句分类结果的影响,为构建农业智能问答系统提供技术支撑。【方法】通过爬虫获取农业种植网等网站的问答数据,选择20000条问句进行人工标注,构建农业问句分类语料库。采用BERT对农业问句进行字符编码,利用文本卷积神经网络（TextCNN）提取问句高维度特征对农业问句进行分类。【结果】在词向量对比实验中,BERT字向量与TextCNN结合时农业问句分类F1值达93.32%,相比Word2vec字向量提高2.1%。在深度学习模型的分类精度对比方面,TextCNN与Word2vec和BERT字向量结合的F1值分别达91.22%和93.32%,均优于其他模型。在农业问句的细分试验中,BERT-TextCNN在栽培技术、田间管理、土肥水管理和其他4个类别中分类F1值分别为86.06%、90.56%、95.04%和85.55%,均优于其他深度学习模型。超参数设置方面,BERT-TextCNN农业问句分类模型卷积核大小设为［3,4,5］、学习率设为5e-5、迭代次数设为5时效果最优,该模型在数据样本不均衡的情况下,对于农业问句的平均分类准确率依然能达93.00%以上,可满足农业智能问答系统的问句分类需求。【建议】通过阿里NLP等开源平台提升数据标注质量;在分类过程中补充词频和文档特征,提高模型分类精度;农业相关政府职能部门加强合作,积极探索农业技术数字化推广和服务新模式。     

农业科技信息动态监测服务流程与机制

深入分析了科技信息动态监测理论和方法,根据农业科技人员的信息需求特征,从农业科技信息服务流程和服务保障机制2个方面,探索并构建了农业科技信息动态监测服务方式,以期满足农业科研人员精准且实时的信息需求,为农业科技信息动态监测服务的开展提供参考。     

基于文献计量的国内外设施蔬菜智慧化管理研究态势

[目的]利用SCI和CNKI文献数据库,分析设施蔬菜智慧化管理研究的发展状况,为相关科研工作者和管理决策者提供参考依据.[方法]运用文献计量学的方法,通过TDA、JAVA、Ucinet、DetDraw和Excel等工具对SCI和CNKI收录的设施蔬菜智慧化管理研究的全部文献进行文献总量、年度分布、机构分布、作者分布、国家竞争力、机构竞争力、文献研究方向及研究热点分析.[结果]设施蔬菜智慧化管理领域的SCI和CNKI收录文献数量逐年上升,国内起步晚于国外,我国论文生产力排名第二,仅次于美国.中国科学院和中国农业大学两所机构进入了全球最强竞争力机构前10名;全球生产力最强的机构是荷兰的瓦赫宁根大学;在国内,论文产出最多的机构是中国农业大学,总体影响力最高的是南京农业大学.研究方向分析结果显示,国内外均对设施蔬菜栽培模型管理和设施蔬菜栽培生理生长的研究关注度较高;除此之外,国际范围更多关注设施蔬菜栽培的病虫害防治和设施蔬菜安全监测等领域,而国内更多关注农业设施和分析方法的应用研究.从研究前沿来看,国际范围对设施蔬菜模型参数研究关注度依然最高,但最近几年对设施蔬菜质量和病虫害研究关注度有所提升,且出现生物柴油方面的研究;而国内依然比较关注各种农业物联网技术支持的农业设施和分析方法等在设施蔬菜栽培过程中的应用研究,研究主题并无明显变化.[建议]今后应加大研究深度,更多关注对农业设施技术和方法的研究.