基于知识图谱的大田作物病虫害知识库研究与应用

作     者：迟新妍 

作者单位：东北电力大学 

学位级别：硕士

导师姓名：娄建楼

授予年度：2024年

学科分类：081203[工学-计算机应用技术] 08[工学] 09[农学] 0904[农学-植物保护] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：深度学习 大田作物病虫害 知识图谱 意图识别与槽位填充 

摘      要：病虫害是农作物生长的重大危害,进行科学的防治是降低病虫害危害和粮食损失的关键环节。如何防、何时防、怎么治需要具备一定的大田作物病虫害防治知识。互联网的发展已经让病虫害的数据信息虽易于获取,但这些数据资源处于离散、孤立的分散状态,增加了相关从业人员获取有效信息的难度。如何整合相关的信息,形成一个统一的、全面的知识体系,充分挖掘隐含在文本中的意图,为农作物病虫害的科学防治提供服务具有重要现实意义。本课题的主要研究内容如下: (1)提出基于多特征嵌入的大田作物病虫害命名实体识别模型。考虑到农业领域文本的特点,如汉字的复杂性、缺乏明确的分隔符号以及病虫害命名在不同作物中的多样表现,本研究设计了一个基于多特征嵌入的模型。该模型利用字级和词级向量以及汉字的字形特征,结合双向长短期记忆网络(Bi LSTM)和自注意力机制,通过条件随机场(CRF)实现对大田作物病虫害实体的细粒度识别。此方法有效克服了传统方法在复杂农业文本上的限制,该模型相较于原有传统模型提升了11.67%,提高了实体识别的鲁棒性。 (2)提出基于Casrel的大田作物病虫害实体关系联合抽取模型。针对大田作物病虫害领域缺乏公开的语料库和标注数据等问题,且该领域文本存在句子长度差异大、短句信息不完备以及关系重叠等问题,模型融合了Ro Berta-wwm预训练模型和Casrel标注器,利用特定关系尾实体解码器,识别所有可能存在的预设的关系和尾实体,实现了紧凑编码和语义丰富的特征向量获取,解决了处理复杂关系模式的挑战,增强对实体间错综复杂关系的理解能力。该模型特别适用于处理文本中的长短句、关系重叠等问题,相较于原有传统模型提升了7.22%,显著提升模型的稳健性和准确性。 (3)提出基于多任务学习的意图识别与槽位填充联合模型,旨在从用户查询中精确捕捉意图,并据此填充知识图谱中的相应槽位,实现高效的知识问答功能。模型采用共享主干网络处理输入,针对各任务设计独立输出层,编码阶段融合嵌入层、Bi LSTM和多头注意力机制,后者有效提取多层次语义特征,增强上下文信息利用。此外,模型整合意图识别与槽位填充,相较于原有传统模型提升了2.79%,提升了模型整体识别准确性,不仅提升了对用户查询的理解能力,也增强了知识问答系统的准确性。 综上所述,本文通过对改进大田作物病虫害命名实体识别模型和大田作物病虫害实体关系联合抽取模型更精确的抽取相关大田作物病虫害知识,完善该领域知识图谱,将抽取的知识构建更全面的知识库,利用改进意图识别与槽位填充联合模型,更精准理解用户查询意图和关键信息,从语义层面理解用户意图,更高效的利用农作物病虫害知识库,有效提升对农业领域病害虫害防治信息的理解和处理效率。