基于用户评论的农业新技术推荐模型设计与应用展望

近年来,推荐系统的应用取得了飞速进步。大数据、人工智能技术的出现为农业信息化的加速发展提供了广阔的空间和前景。为提升农业领域内推荐技术的应用,满足农业用户的信息获取需求,对传统协同过滤推荐算法进行了一定的改进,重点体现在融合了K-means算法以及BIRCH算法进行聚类分析,通过搭建HowNet极性词典解决传统协同过滤方法过度依赖用户具体评分的问题,并提出了一种个性化推荐模型,利用相关数据源,进行模型验证。实验结果表明,该模型运行稳定,可以达到精准推荐农业技术信息的目的。     

基于词向量+BiLSTM+CRF的农业技术需求文本实体提取

农业技术需求文本实体提取是农业技术转移工作中需求分析能够量化、特征化的关键技术.基于主流农业技术转移网站上的农业技术需求文本进行分析,提出农业技术需求文本中需求主体对象、需求意图、需求程度3种关键实体成分;分别使用传统的CRF和基于神经网络的词向量+BiLSTM+CRF 2种模型对关键实体进行识别提取.试验结果表明,词向量+BiLSTM+CRF在正确率、召回率指标上分别能达到88.51％和82.28％以上,均优于CRF模型.     

农业高新技术评价指标体系构建

在国家推进农业产业结构改革政策的大背景下,提高我国农业高新技术的科技转化率,使技术真正创造价值是推动农业转型升级的重要环节。通过文献研究,结合实际发展情况对农业高新技术进行界定,指出农业高新技术涵盖的范围;建立一套评价指标体系,基于层次分析法设置指标权重,确定评价结果的级别,并在评价过程中,增加专家权重,增强权威专家的话语权。该评价指标体系的构建,有助于企业在投资前对技术进行全面、系统的评价,进行投资的决策和风险的控制。同时,对研究人员和技术评价人员进行农业高新技术评价活动,具有一定的参考价值。