融合标签语义的农业科学数据层次多标签分类方法研究OA
【背景】农业科学数据是支撑农业科技创新与现代农业发展的重要基础,其规模不断扩大、文本描述专业性强且学科标签具有层次结构,为分类带来较大挑战。【目的】针对农业科学数据分类标签层次复杂、依赖人工标注导致效率低下的问题,构建一种融合标签语义的农业科学数据层次多标签分类模型Bert-BiGRU-HiGCN,实现农业科学数据的高效自动化分类,提升数据管理与检索效率。【方法】基于国家农业科学数据中心农业科学数据集的元数据构建实验数据集,并在模型中引入GCN(Graph Convolutional Network)对农业学科标签的层次结构进行建模,提取包含层级信息的标签特征,然后通过交叉注意力机制融合文本与标签特征,获得融合标签语义的文本表示。最后,在构建的数据集上通过对比实验评估改进后的模型效果。【结果】实验结果表明,Bert-BiGRU-HiGCN模型在农业科学数据层次多标签分类任务中精确率为78.1%、召回率为76.3%、F1值为77.2%,整体性能优于对比模型,有效提高了分类准确性及效率。
张思扬;胡林
中国农业科学院农业信息研究所,北京100081中国农业科学院农业信息研究所,北京100081
农业科技
农业科学数据文本分类层次多标签分类深度学习
《数据与计算发展前沿(中英文)》 2026 (4)
P.246-256,11
中央级公益性科研院所基本科研业务费专项(No.JBYW-AII-2026-46,JBYW-AII-2026-47&Y2026JC11)。
评论