苹果病虫害知识图谱和施药辅助App的研究与实现

这是一篇关于苹果病虫害,知识图谱,施药辅助,智能问答,BERT-BiLSTM-CRF的论文, 主要内容为苹果是蔷薇科苹果亚科苹果属植物,我国是苹果种植面积最大、产量最高的国家。苹果果实口感爽脆、回味甘甜,富含多种维生素和矿物质、含钙量丰富,为世界四大水果之冠。在苹果种植过程中,苹果病虫害是影响苹果卖相、口感、营养价值的关键因素,从而影响苹果的产量、品质、等级与食用价值。但现存苹果病虫害知识多以传统书籍、分散的互联网数据形式存储,存在信息查询时效长、知识利用率低下、搜索结果冗余等问题,查询体验效果差。针对以上问题,本研究以苹果的病虫害为研究对象,建立苹果病虫害数据集,构建苹果病虫害知识图谱,设计并实现苹果病虫害施药辅助App,具体的研究工作和结论如下:(1)苹果病虫害知识图谱构建。针对现存苹果病虫害的特点,采用自顶向下的方法构建知识图谱,其构建过程分为数据集建立、模式层设计、知识抽取和知识图谱构建与可视化四个步骤。首先根据数据的不同特点,采取不同的方法获取数据,建立苹果病虫害数据集。然后对其中存在的重复数据和无效数据进行清洗、筛选、剔除等预处理操作,并采用BIOES序列标记策略对信息标记,使其能够被计算机所理解。接着对苹果病虫害领域的知识进行深入分析,设计合理的知识图谱模式层,并从已有数据中抽取出符合要求的信息,得到苹果病虫害三元组。最后利用Python中Py2neo库与Neo4j图数据库进行关联,完成苹果病虫害知识图谱的自动化创建与可视化展示,形成了拥有809个节点、1224条关系、12种标签及10种关系类型的知识图谱。此外,在构建知识图谱的过程中考虑到数据的正确性、准确性和有效性等问题,以提高苹果病虫害知识图谱的质量和可信度。(2)基于BERT-Bi LSTM-CRF的苹果病虫害实体联合抽取。针对苹果病虫害领域信息零散的问题,本研究采用了基于BERT-Bi LSTM-CRF的苹果病虫害实体联合抽取方法进行实验。首先,在苹果病虫害原始数据集上训练语言模型,利用BERT部分的双向Transformer网络结构,生成基于字符的语义向量。然后将词向量作为Bi LSTM的输入,从而获得实体间的关联信息。最后通过CRF模型得到最优标记序列,从而提高实体联合抽取的准确率和召回率。经过训练,该模型的准确率为94.36%,召回率为71.69%,F1值为81.40%,表明该方法在苹果病虫害实体联合抽取领域具有良好的表现,对于自然语言处理和知识图谱构建具有一定的实际应用价值。(3)苹果病虫害施药辅助App的设计与实现。在苹果病虫害知识图谱的基础上,根据实际情况进行需求分析,完成系统功能设计,结合HTML5、CSS3、Java Script、Vue、Spring Boot等技术实现了病害百科、施药措施、智能问答、个人中心等多个功能模块。其中施药措施功能可为果农提供农业防治与化学防治建议,帮助果农提前预防与精准施药;问答功能通过接收用户提出的苹果病虫害自然语言问题,对问句意图进行分析并在知识图谱中寻找并返回符合语义的答案,从而快速解答用户疑问。该App可为用户提供信息咨询服务,辅助其进行苹果病虫害防治决策,达到苹果持续高效、优质、高产的目的。

苹果病虫害知识图谱和施药辅助App的研究与实现

这是一篇关于苹果病虫害,知识图谱,施药辅助,智能问答,BERT-BiLSTM-CRF的论文, 主要内容为苹果是蔷薇科苹果亚科苹果属植物,我国是苹果种植面积最大、产量最高的国家。苹果果实口感爽脆、回味甘甜,富含多种维生素和矿物质、含钙量丰富,为世界四大水果之冠。在苹果种植过程中,苹果病虫害是影响苹果卖相、口感、营养价值的关键因素,从而影响苹果的产量、品质、等级与食用价值。但现存苹果病虫害知识多以传统书籍、分散的互联网数据形式存储,存在信息查询时效长、知识利用率低下、搜索结果冗余等问题,查询体验效果差。针对以上问题,本研究以苹果的病虫害为研究对象,建立苹果病虫害数据集,构建苹果病虫害知识图谱,设计并实现苹果病虫害施药辅助App,具体的研究工作和结论如下:(1)苹果病虫害知识图谱构建。针对现存苹果病虫害的特点,采用自顶向下的方法构建知识图谱,其构建过程分为数据集建立、模式层设计、知识抽取和知识图谱构建与可视化四个步骤。首先根据数据的不同特点,采取不同的方法获取数据,建立苹果病虫害数据集。然后对其中存在的重复数据和无效数据进行清洗、筛选、剔除等预处理操作,并采用BIOES序列标记策略对信息标记,使其能够被计算机所理解。接着对苹果病虫害领域的知识进行深入分析,设计合理的知识图谱模式层,并从已有数据中抽取出符合要求的信息,得到苹果病虫害三元组。最后利用Python中Py2neo库与Neo4j图数据库进行关联,完成苹果病虫害知识图谱的自动化创建与可视化展示,形成了拥有809个节点、1224条关系、12种标签及10种关系类型的知识图谱。此外,在构建知识图谱的过程中考虑到数据的正确性、准确性和有效性等问题,以提高苹果病虫害知识图谱的质量和可信度。(2)基于BERT-Bi LSTM-CRF的苹果病虫害实体联合抽取。针对苹果病虫害领域信息零散的问题,本研究采用了基于BERT-Bi LSTM-CRF的苹果病虫害实体联合抽取方法进行实验。首先,在苹果病虫害原始数据集上训练语言模型,利用BERT部分的双向Transformer网络结构,生成基于字符的语义向量。然后将词向量作为Bi LSTM的输入,从而获得实体间的关联信息。最后通过CRF模型得到最优标记序列,从而提高实体联合抽取的准确率和召回率。经过训练,该模型的准确率为94.36%,召回率为71.69%,F1值为81.40%,表明该方法在苹果病虫害实体联合抽取领域具有良好的表现,对于自然语言处理和知识图谱构建具有一定的实际应用价值。(3)苹果病虫害施药辅助App的设计与实现。在苹果病虫害知识图谱的基础上,根据实际情况进行需求分析,完成系统功能设计,结合HTML5、CSS3、Java Script、Vue、Spring Boot等技术实现了病害百科、施药措施、智能问答、个人中心等多个功能模块。其中施药措施功能可为果农提供农业防治与化学防治建议,帮助果农提前预防与精准施药;问答功能通过接收用户提出的苹果病虫害自然语言问题,对问句意图进行分析并在知识图谱中寻找并返回符合语义的答案,从而快速解答用户疑问。该App可为用户提供信息咨询服务,辅助其进行苹果病虫害防治决策,达到苹果持续高效、优质、高产的目的。

基于知识图谱的苹果病虫害智能问答系统研究

这是一篇关于苹果病虫害,知识图谱,问答系统,BiLSTM-CRF,TextCNN的论文, 主要内容为现如今,我国作为世界上最大的苹果生产国和消费国,其种植区域广、覆盖种类多,苹果病虫害的发生是直接影响苹果产量和品质的关键因素。由于种植模式的变化和种植区域的不断扩展,导致苹果病虫害种类逐渐增多,病虫害的威胁逐渐上升。从业者在遇到苹果病虫害问题时,如何快速准确地获取苹果病虫害相关知识并解答问题成为主要任务。然而利用问答系统对这些自然语言问题进行认识和分析,可得到最直观的回答。知识图谱的产生与发展为智能化问答系统的高品质知识库奠定了坚实的基础,促进了其在各行各业的广泛运用。基于此,本研究以苹果病虫害知识图谱为基础,融合深度学习技术在苹果病虫害自然语言领域的应用,设计并开发了一种智能化的苹果病虫害问答系统。主要进行的工作及成果如下:(1)苹果病虫害知识图谱的构建研究。本文的知识图谱构建基于自顶向下的设计理念,由模式层构建、数据采集、数据层构建和知识存储四个阶段组成。模式层构建根据领域数据不同特征抽象形成苹果病虫害知识本体和关系概念层。数据采集则利用书籍文本资料得到非结构化数据,利用Scrapy爬虫技术得到半结构化数据。数据层通过BIOES标注法使用Bi LSTM-CRF模型对非结构化的文本数据提取实体,建立苹果病虫害三元组。最后使用Load CSV的方法将三元组形式存入Neo4j库中完成知识存储。通过试验调整模型的训练参数指标,苹果病虫害实体识别使用Bi LSTM-CRF模型的F1值为85.97%,与传统的HMM模型和CRF模型相比,分别增加了10.64%和8.85%。(2)问答系统算法设计研究。在苹果病虫害知识图谱建立之上,使用基于Word2Vec词向量模型构造文本向量集,通过Text CNN模型进行问句意图的分类,再使用AhoCorasick算法和Bi LSTM+CRF的形式对问句实体进行提取,将意图和问句实体组合为问句三元组,最后使用Cypher构建查询语句对问句三元组检索答案。对实体类、实体关系类、实体属性类问句分别进行试验评估,其F1平均值为85.08%。(3)基于苹果病虫害知识图谱的问答系统搭建研究。本系统采用MVC模式并结合Flask、D3可视化等技术,针对知识图谱问答模块、关系检索模块、可视化模块完成前后端的构建与交互。实现了对用户苹果病虫害领域中危害症状、危害部位、防治方法、治疗药剂等方面的解答及可视化。

基于注意力机制的苹果病虫害命名实体识别方法研究与实现

这是一篇关于命名实体识别,苹果病虫害,注意力机制的论文, 主要内容为苹果产业在我国农业发展中具有不可或缺的地位,病虫害问题是一直以来制约我国苹果产业发展的主要问题。然而,现阶段大部分苹果病虫害防治信息依赖于大量的非结构化专业资料,使得苹果产业从业者难以快速获得高质量的苹果病虫害防治方案。因此,从专业文本材料中提取有效信息,协助苹果产业从业者高效智能地解决病虫害防治问题具有重要的实际意义。命名实体识别是信息抽取的基础性工作,是搭建知识图谱和构建智能问答系统等下游智能化应用的基础。基于此,本文针对苹果病虫害领域数据基础不足、文本实体复杂和实体类别多样划分等特点,开展苹果病虫害命名实体识别研究。主要的工作内容如下:(1)构建苹果病虫害命名实体识别数据集。针对苹果病虫害领域命名实体识别研究和数据支撑不足的问题,参考已有农业领域病虫害研究与高校植保专家的研究指导,采用八本权威苹果病虫害书籍作为数据来源,丰富特定苹果病虫害领域数据。确定划分20个细分实体类别,完成数据集标注工作,为后续模型应用提供数据基础。(2)提出基于改进Transformer的苹果病虫害命名实体识别模型。根据苹果病虫害领域数据特点,针对Transfomer模型在注意力机制计算中存在方向和距离丢失的问题,在本文研究中将改进位置信息编码和注意力机制计算方式后的Transformer模型用于苹果病虫害领域。实验证明,改进的Transformer模型在苹果病虫害数据集上的精确率、召回率和F1值分别为91.47%、91.99%和91.73%。相比于Transformer模型在F1值上提升了3.75%,相比于主流SOTA模型均有一定程度提升,证明改进Transformer模型在苹果病虫害领域一定的有效性。该模型在Weibo和Resume公用数据集上的性能均优于基线模型和对比模型,证明模型具有一定泛化性。(3)提出融入BERT预训练模型的苹果病虫害命名实体识别算法。针对传统词向量模型嵌入向量固定不变且苹果病虫害文本内容复杂、专业性强的问题,在基于改进Transformer的苹果病虫害命名实体识别模型的基础上,融入BERT预训练模型,获取包含丰富语义信息的嵌入向量。实验证明,融入BERT模型后在苹果病虫害数据集上的精确率、召回率和F1值分别为91.92%、93.95%和92.92%,证明BERT模型的有效性。然后,将标注出的苹果病虫害实体存储在Neo4j数据库,构建实体节点图谱。最终,完成苹果病虫害命名实体识别工作,为下游任务提供实体基础。

苹果病虫害知识图谱和施药辅助App的研究与实现

这是一篇关于苹果病虫害,知识图谱,施药辅助,智能问答,BERT-BiLSTM-CRF的论文, 主要内容为苹果是蔷薇科苹果亚科苹果属植物,我国是苹果种植面积最大、产量最高的国家。苹果果实口感爽脆、回味甘甜,富含多种维生素和矿物质、含钙量丰富,为世界四大水果之冠。在苹果种植过程中,苹果病虫害是影响苹果卖相、口感、营养价值的关键因素,从而影响苹果的产量、品质、等级与食用价值。但现存苹果病虫害知识多以传统书籍、分散的互联网数据形式存储,存在信息查询时效长、知识利用率低下、搜索结果冗余等问题,查询体验效果差。针对以上问题,本研究以苹果的病虫害为研究对象,建立苹果病虫害数据集,构建苹果病虫害知识图谱,设计并实现苹果病虫害施药辅助App,具体的研究工作和结论如下:(1)苹果病虫害知识图谱构建。针对现存苹果病虫害的特点,采用自顶向下的方法构建知识图谱,其构建过程分为数据集建立、模式层设计、知识抽取和知识图谱构建与可视化四个步骤。首先根据数据的不同特点,采取不同的方法获取数据,建立苹果病虫害数据集。然后对其中存在的重复数据和无效数据进行清洗、筛选、剔除等预处理操作,并采用BIOES序列标记策略对信息标记,使其能够被计算机所理解。接着对苹果病虫害领域的知识进行深入分析,设计合理的知识图谱模式层,并从已有数据中抽取出符合要求的信息,得到苹果病虫害三元组。最后利用Python中Py2neo库与Neo4j图数据库进行关联,完成苹果病虫害知识图谱的自动化创建与可视化展示,形成了拥有809个节点、1224条关系、12种标签及10种关系类型的知识图谱。此外,在构建知识图谱的过程中考虑到数据的正确性、准确性和有效性等问题,以提高苹果病虫害知识图谱的质量和可信度。(2)基于BERT-Bi LSTM-CRF的苹果病虫害实体联合抽取。针对苹果病虫害领域信息零散的问题,本研究采用了基于BERT-Bi LSTM-CRF的苹果病虫害实体联合抽取方法进行实验。首先,在苹果病虫害原始数据集上训练语言模型,利用BERT部分的双向Transformer网络结构,生成基于字符的语义向量。然后将词向量作为Bi LSTM的输入,从而获得实体间的关联信息。最后通过CRF模型得到最优标记序列,从而提高实体联合抽取的准确率和召回率。经过训练,该模型的准确率为94.36%,召回率为71.69%,F1值为81.40%,表明该方法在苹果病虫害实体联合抽取领域具有良好的表现,对于自然语言处理和知识图谱构建具有一定的实际应用价值。(3)苹果病虫害施药辅助App的设计与实现。在苹果病虫害知识图谱的基础上,根据实际情况进行需求分析,完成系统功能设计,结合HTML5、CSS3、Java Script、Vue、Spring Boot等技术实现了病害百科、施药措施、智能问答、个人中心等多个功能模块。其中施药措施功能可为果农提供农业防治与化学防治建议,帮助果农提前预防与精准施药;问答功能通过接收用户提出的苹果病虫害自然语言问题,对问句意图进行分析并在知识图谱中寻找并返回符合语义的答案,从而快速解答用户疑问。该App可为用户提供信息咨询服务,辅助其进行苹果病虫害防治决策,达到苹果持续高效、优质、高产的目的。

基于注意力机制的苹果病虫害实体关系抽取研究

这是一篇关于关系抽取,苹果病虫害,注意力机制,深度学习的论文, 主要内容为苹果病虫害种类繁多,严重影响苹果生产,有效的防治措施能够促进苹果产业发展。大多数权威的苹果病虫害信息都存储在非结构化文本中,由于缺乏对文本数据的结构化管理,导致防治过程中很多实体关系信息无法获取。为了获取结构化的苹果病虫害关系数据,本文利用关系抽取技术在大量非结构化的苹果病虫害文本中挖掘实体的关系信息,为构建苹果病虫害知识图谱、信息检索平台、智能问答系统等提供结构化数据基础。针对苹果病虫害关系抽取中存在数据集匮乏,苹果病虫害实体间关系类别多样、关系类别分布不均衡,以及现有关系抽取方法在苹果病虫害领域表现不佳等问题,本文构建了苹果病虫害关系抽取数据集和关系抽取模型,主要工作内容如下:(1)构建了苹果病虫害关系抽取数据集。针对苹果病虫害领域中关系抽取数据集匮乏的问题,本文在病虫害领域专家的指导下,收集了《苹果病虫害防治》等七本苹果病虫害领域权威书籍作为数据来源,制定了28个苹果病虫害实体的关系类别,并根据定义的关系类别标注了20060条关系实例,为苹果病虫害关系抽取模型提供数据集。相较农业领域的其他关系抽取数据集,本文构建的数据集实现了苹果病虫害领域关系类别的多样化和细粒度化,能够更加专业合理地指导苹果病虫害防治。(2)提出了融合双通道的注意力机制关系抽取模型。该模型采用了双通道机制,每个通道包含不同的字向量和Bi GRU。不同通道获取相同文本的不同语义特征,将双通道获取的多重语义特征进一步通过注意力机制,提升模型的关系抽取能力。实验证明,该模型相较单通道结构,F1值分别提升了2.61%和1.19%,能够更好地挖掘文本语义。该模型在苹果病虫害数据集上F1值达到94.02%,相较CNN、Bi GRU、Att-BLSTM等基线模型,F1值提高了0.3%8.81%,且在关系类别分布不均衡的情况下表现更优。(3)提出了融合BERT和实体表征的注意力机制关系抽取模型。该模型使用BERT获取文本的动态字符向量表征和实体向量表征。利用Bi GRU提取字符向量表征的语义特征。在注意力机制输出中引入实体向量表征,增强实体特征对模型的影响,实现关系类别的分类。与当前主流模型CNN、BLSTM、Att-BLSTM、BERT和R-BERT相比,该模型在苹果病虫害数据集上表现最佳,F1值为97.59%,提升了1.77%12.38%,能够更好地应对细粒度关系分类和关系类别分布不均衡现象,证明了模型的有效性。该模型在公共数据集San Wen和Fin RE上的表现优于对比模型,F1值达到71.29%和50.79%,提升了3.4%11.87%和0.78%9.32%,具有一定的泛化性。

基于注意力机制的苹果病虫害命名实体识别方法研究与实现

这是一篇关于命名实体识别,苹果病虫害,注意力机制的论文, 主要内容为苹果产业在我国农业发展中具有不可或缺的地位,病虫害问题是一直以来制约我国苹果产业发展的主要问题。然而,现阶段大部分苹果病虫害防治信息依赖于大量的非结构化专业资料,使得苹果产业从业者难以快速获得高质量的苹果病虫害防治方案。因此,从专业文本材料中提取有效信息,协助苹果产业从业者高效智能地解决病虫害防治问题具有重要的实际意义。命名实体识别是信息抽取的基础性工作,是搭建知识图谱和构建智能问答系统等下游智能化应用的基础。基于此,本文针对苹果病虫害领域数据基础不足、文本实体复杂和实体类别多样划分等特点,开展苹果病虫害命名实体识别研究。主要的工作内容如下:(1)构建苹果病虫害命名实体识别数据集。针对苹果病虫害领域命名实体识别研究和数据支撑不足的问题,参考已有农业领域病虫害研究与高校植保专家的研究指导,采用八本权威苹果病虫害书籍作为数据来源,丰富特定苹果病虫害领域数据。确定划分20个细分实体类别,完成数据集标注工作,为后续模型应用提供数据基础。(2)提出基于改进Transformer的苹果病虫害命名实体识别模型。根据苹果病虫害领域数据特点,针对Transfomer模型在注意力机制计算中存在方向和距离丢失的问题,在本文研究中将改进位置信息编码和注意力机制计算方式后的Transformer模型用于苹果病虫害领域。实验证明,改进的Transformer模型在苹果病虫害数据集上的精确率、召回率和F1值分别为91.47%、91.99%和91.73%。相比于Transformer模型在F1值上提升了3.75%,相比于主流SOTA模型均有一定程度提升,证明改进Transformer模型在苹果病虫害领域一定的有效性。该模型在Weibo和Resume公用数据集上的性能均优于基线模型和对比模型,证明模型具有一定泛化性。(3)提出融入BERT预训练模型的苹果病虫害命名实体识别算法。针对传统词向量模型嵌入向量固定不变且苹果病虫害文本内容复杂、专业性强的问题,在基于改进Transformer的苹果病虫害命名实体识别模型的基础上,融入BERT预训练模型,获取包含丰富语义信息的嵌入向量。实验证明,融入BERT模型后在苹果病虫害数据集上的精确率、召回率和F1值分别为91.92%、93.95%和92.92%,证明BERT模型的有效性。然后,将标注出的苹果病虫害实体存储在Neo4j数据库,构建实体节点图谱。最终,完成苹果病虫害命名实体识别工作,为下游任务提供实体基础。

基于注意力机制的苹果病虫害实体关系抽取研究

这是一篇关于关系抽取,苹果病虫害,注意力机制,深度学习的论文, 主要内容为苹果病虫害种类繁多,严重影响苹果生产,有效的防治措施能够促进苹果产业发展。大多数权威的苹果病虫害信息都存储在非结构化文本中,由于缺乏对文本数据的结构化管理,导致防治过程中很多实体关系信息无法获取。为了获取结构化的苹果病虫害关系数据,本文利用关系抽取技术在大量非结构化的苹果病虫害文本中挖掘实体的关系信息,为构建苹果病虫害知识图谱、信息检索平台、智能问答系统等提供结构化数据基础。针对苹果病虫害关系抽取中存在数据集匮乏,苹果病虫害实体间关系类别多样、关系类别分布不均衡,以及现有关系抽取方法在苹果病虫害领域表现不佳等问题,本文构建了苹果病虫害关系抽取数据集和关系抽取模型,主要工作内容如下:(1)构建了苹果病虫害关系抽取数据集。针对苹果病虫害领域中关系抽取数据集匮乏的问题,本文在病虫害领域专家的指导下,收集了《苹果病虫害防治》等七本苹果病虫害领域权威书籍作为数据来源,制定了28个苹果病虫害实体的关系类别,并根据定义的关系类别标注了20060条关系实例,为苹果病虫害关系抽取模型提供数据集。相较农业领域的其他关系抽取数据集,本文构建的数据集实现了苹果病虫害领域关系类别的多样化和细粒度化,能够更加专业合理地指导苹果病虫害防治。(2)提出了融合双通道的注意力机制关系抽取模型。该模型采用了双通道机制,每个通道包含不同的字向量和Bi GRU。不同通道获取相同文本的不同语义特征,将双通道获取的多重语义特征进一步通过注意力机制,提升模型的关系抽取能力。实验证明,该模型相较单通道结构,F1值分别提升了2.61%和1.19%,能够更好地挖掘文本语义。该模型在苹果病虫害数据集上F1值达到94.02%,相较CNN、Bi GRU、Att-BLSTM等基线模型,F1值提高了0.3%8.81%,且在关系类别分布不均衡的情况下表现更优。(3)提出了融合BERT和实体表征的注意力机制关系抽取模型。该模型使用BERT获取文本的动态字符向量表征和实体向量表征。利用Bi GRU提取字符向量表征的语义特征。在注意力机制输出中引入实体向量表征,增强实体特征对模型的影响,实现关系类别的分类。与当前主流模型CNN、BLSTM、Att-BLSTM、BERT和R-BERT相比,该模型在苹果病虫害数据集上表现最佳,F1值为97.59%,提升了1.77%12.38%,能够更好地应对细粒度关系分类和关系类别分布不均衡现象,证明了模型的有效性。该模型在公共数据集San Wen和Fin RE上的表现优于对比模型,F1值达到71.29%和50.79%,提升了3.4%11.87%和0.78%9.32%,具有一定的泛化性。