基于深度学习的细粒度农业知识图谱构建OA

农业知识图谱作为整合农业生产、作物管理与病虫害防治等专业信息的重要平台,正被广泛应用于智慧农业决策系统、农技推广与农事咨询等服务。为提升农业知识图谱的细粒度表达能力,针对农业专业网站与文献资料中的大规模农业知识库,提出一种融合预训练语言模型与序列标注方法的农业实体识别方法。该方法以双向长短期记忆网络构建词语的上下文语义表示,引入预训练语言模型增强对农业术语的语义理解,并结合条件随机场模型优化实体边界识别。在此基础上,通过实体对齐与属性填充,构建涵盖多个子领域的细粒度农业知识图谱。试验结果表明,BERT+BiLSTM+CRF模型在农业实体识别任务中表现优异,F1值达到0.88,精确率为0.90,召回率为0.87,显著优于传统模型。最终构建的知识图谱包含29191个细分实体和686079条语义关系,覆盖作物栽培、病虫害防治及农业资源管理等领域,可为智慧农业系统提供有效的知识支撑。