基于大语言模型的农业用户主体需求关键因子提取方法OA

[目的/意义]在农业领域,用户需求文本是农技精准推广、政策靶向服务的核心依据,但其包含的农业专业术语、多场景差异、动态更新特征,导致传统方法存在“专业术语识别误差大、多场景需求分类模糊、动态需求响应滞后”的问题,难以支撑高效的需求分析。因此,本研究构建基于大语言模型的农业需求智能分析方法,针对性解决传统方法的上述痛点,实现农业用户需求的精准识别、结构化提取与高效解析,为农技推广、政策服务提供高质量的需求数据支撑,推动农业数字化转型的精准落地。[方法]在农业需求分析中引入大语言模型,利用其语义理解与推理能力实现对用户需求的精准解析。提出了“3阶段训练+多智能体协同”的技术路径:首先收集8万条农业文本与2.28万条标注样本,用于领域预训练与指令微调,以增强模型的领域适应性;随后设计多智能体协同框架,由管理型智能体负责任务调度与质量控制,任务型智能体分别承担需求分类、关键因子提取与解释生成,从而实现对农业用户需求的结构化分析。[结果和讨论]农业需求分析智能体框架(Agri-NeedAgent)在需求类型匹配的准确率达到84.6%,关键因子提取的F1值达到85.2%,接口合规率94.2%,可解释性90.2分,均显著优于未经过领域微调的通用大语言模型与不含多智能体协同机制的对照方法。[结论]大语言模型经过领域适配与微调后,能够实现对农业用户需求的深度解析与关键因子精准提取,且能通过多智能体协同机制提升分析的完整性与可解释性,为智慧农业决策支持系统提供高质量的数据支撑。