作物生长发育知识图谱的构建与应用
这是一篇关于作物模型,知识图谱,深度学习,本体模型,问答系统的论文, 主要内容为掌握作物生产过程中的光合作用、营养需求、病虫害、生产措施等知识,对优化作物产量,提高质量,节约生产成本,提高经济效益,保护环境具有重要的作用和意义。但是作物生长发育的知识信息来源广泛,分布于农业生产实践、农业知识在线资源、农业科学数据库和科学专著等多个渠道之中,涉及的内容繁多,知识信息资源处于相对无序分散的状态。构建作物生长发育知识图谱,可以整合多源异构的作物生长发育数据和知识,帮助用户理清作物生长发育的规律和关系,管理和调控作物生长发育过程,提高作物生长发育和管理效率,减少资源浪费和环境污染,促进农业的可持续发展。因此,本文以作物生长发育相关知识的收集与处理为出发点,收集不同来源、不同类型的作物生长发育相关数据资源,对作物生长发育过程中的不同来源、不同类型的数据进行获取、存储、知识抽取,研究作物生长知识图谱构建的关键技术和方法,探索知识图谱在作物生长发育知识问答上的应用,并验证所构建的知识图谱能否满足整合多源异构的作物生长发育数据和知识的需求。本文对作物领域模型的研究起源和发展现状进行分析,并在探索知识图谱研究起源和发展现状的基础上,研究作物模型与知识图谱相结合的技术进展;对知识图谱概念和构建的关键技术进行了梳理,包括本体模型构建,知识抽取,知识融合,知识存储,知识图谱应用相关理论知识;依照本体模型构建原则,利用作物领域科学专著、农业科学叙词表等知识来源,构建了作物生长发育领域本体模型,包括20个核心类,11个对象属性,17个数据属性;根据本体模型和数据来源进行了作物生长发育知识图谱数据层构建,通过人工标注的方式,将5本作物领域科学专著中的共41万字内容构建为用于训练命名实体识别模型的数据集,研究对不同来源、不同结构数据利用包括Scrapy框架、BERT-Bi LSTM-CRF深度学习模型等技术进行了知识抽取、知识融合,并通过Neo4j图数据库构建了作物生长发育知识图谱,包括不同实体55199个,实体间关系33520条,实体属性92393条;在此基础上,利用已构建的作物生长发育知识图谱,在Django框架下构建了包括图谱可视化及知识问答功能的作物生长发育知识图谱问答系统,对该系统测试结果表明,该系统能够进行图谱可视化及准确回答问句,证明了作物生长发育本体模型和知识图谱构建的合理性。
作物生长发育知识图谱的构建与应用
这是一篇关于作物模型,知识图谱,深度学习,本体模型,问答系统的论文, 主要内容为掌握作物生产过程中的光合作用、营养需求、病虫害、生产措施等知识,对优化作物产量,提高质量,节约生产成本,提高经济效益,保护环境具有重要的作用和意义。但是作物生长发育的知识信息来源广泛,分布于农业生产实践、农业知识在线资源、农业科学数据库和科学专著等多个渠道之中,涉及的内容繁多,知识信息资源处于相对无序分散的状态。构建作物生长发育知识图谱,可以整合多源异构的作物生长发育数据和知识,帮助用户理清作物生长发育的规律和关系,管理和调控作物生长发育过程,提高作物生长发育和管理效率,减少资源浪费和环境污染,促进农业的可持续发展。因此,本文以作物生长发育相关知识的收集与处理为出发点,收集不同来源、不同类型的作物生长发育相关数据资源,对作物生长发育过程中的不同来源、不同类型的数据进行获取、存储、知识抽取,研究作物生长知识图谱构建的关键技术和方法,探索知识图谱在作物生长发育知识问答上的应用,并验证所构建的知识图谱能否满足整合多源异构的作物生长发育数据和知识的需求。本文对作物领域模型的研究起源和发展现状进行分析,并在探索知识图谱研究起源和发展现状的基础上,研究作物模型与知识图谱相结合的技术进展;对知识图谱概念和构建的关键技术进行了梳理,包括本体模型构建,知识抽取,知识融合,知识存储,知识图谱应用相关理论知识;依照本体模型构建原则,利用作物领域科学专著、农业科学叙词表等知识来源,构建了作物生长发育领域本体模型,包括20个核心类,11个对象属性,17个数据属性;根据本体模型和数据来源进行了作物生长发育知识图谱数据层构建,通过人工标注的方式,将5本作物领域科学专著中的共41万字内容构建为用于训练命名实体识别模型的数据集,研究对不同来源、不同结构数据利用包括Scrapy框架、BERT-Bi LSTM-CRF深度学习模型等技术进行了知识抽取、知识融合,并通过Neo4j图数据库构建了作物生长发育知识图谱,包括不同实体55199个,实体间关系33520条,实体属性92393条;在此基础上,利用已构建的作物生长发育知识图谱,在Django框架下构建了包括图谱可视化及知识问答功能的作物生长发育知识图谱问答系统,对该系统测试结果表明,该系统能够进行图谱可视化及准确回答问句,证明了作物生长发育本体模型和知识图谱构建的合理性。
作物生长发育知识图谱的构建与应用
这是一篇关于作物模型,知识图谱,深度学习,本体模型,问答系统的论文, 主要内容为掌握作物生产过程中的光合作用、营养需求、病虫害、生产措施等知识,对优化作物产量,提高质量,节约生产成本,提高经济效益,保护环境具有重要的作用和意义。但是作物生长发育的知识信息来源广泛,分布于农业生产实践、农业知识在线资源、农业科学数据库和科学专著等多个渠道之中,涉及的内容繁多,知识信息资源处于相对无序分散的状态。构建作物生长发育知识图谱,可以整合多源异构的作物生长发育数据和知识,帮助用户理清作物生长发育的规律和关系,管理和调控作物生长发育过程,提高作物生长发育和管理效率,减少资源浪费和环境污染,促进农业的可持续发展。因此,本文以作物生长发育相关知识的收集与处理为出发点,收集不同来源、不同类型的作物生长发育相关数据资源,对作物生长发育过程中的不同来源、不同类型的数据进行获取、存储、知识抽取,研究作物生长知识图谱构建的关键技术和方法,探索知识图谱在作物生长发育知识问答上的应用,并验证所构建的知识图谱能否满足整合多源异构的作物生长发育数据和知识的需求。本文对作物领域模型的研究起源和发展现状进行分析,并在探索知识图谱研究起源和发展现状的基础上,研究作物模型与知识图谱相结合的技术进展;对知识图谱概念和构建的关键技术进行了梳理,包括本体模型构建,知识抽取,知识融合,知识存储,知识图谱应用相关理论知识;依照本体模型构建原则,利用作物领域科学专著、农业科学叙词表等知识来源,构建了作物生长发育领域本体模型,包括20个核心类,11个对象属性,17个数据属性;根据本体模型和数据来源进行了作物生长发育知识图谱数据层构建,通过人工标注的方式,将5本作物领域科学专著中的共41万字内容构建为用于训练命名实体识别模型的数据集,研究对不同来源、不同结构数据利用包括Scrapy框架、BERT-Bi LSTM-CRF深度学习模型等技术进行了知识抽取、知识融合,并通过Neo4j图数据库构建了作物生长发育知识图谱,包括不同实体55199个,实体间关系33520条,实体属性92393条;在此基础上,利用已构建的作物生长发育知识图谱,在Django框架下构建了包括图谱可视化及知识问答功能的作物生长发育知识图谱问答系统,对该系统测试结果表明,该系统能够进行图谱可视化及准确回答问句,证明了作物生长发育本体模型和知识图谱构建的合理性。
搜索引擎中主题爬虫相关性算法的研究与实现
这是一篇关于主题爬虫,本体模型,权重计算,支持向量机的论文, 主要内容为近年来网络普及速度十分迅猛,越来越多人使用用用搜索引擎获取网络信息。在网络资源规模巨大且总量迅速增长的环境下,专业搜索引擎能高效准确地获取特定领域或特定主题的网络信息。主题爬虫作为专业搜索引擎的核心,能保证搜索结果的领域相关性,排除很多与查询主题无关的页面,极大程度上满足了人们对搜索准确性的要求。因此,探索高效的主题爬虫相关性算法来实现专业搜索引擎是具有重要意义的。本文主要研究工作如下:1.在对主题爬虫及相关技术的国内外现状进行调研后,分析了主题爬虫的系统结构,介绍了本体的基础理论和构建方法,讨论了传统的基于关键词向量空间模型存在的局限性以及基于本体概念向量空间模型的优点。2.针对传统的基于关键词向量空间模型中假设网页主题词间相互独立,忽略主题词间实际存在语义联系的问题,采用本体概念向量空间模型代替传统向以空间模型,实现了主题爬虫的相关性算法。3.在构建本体向量空间模型的过程中,采用基于本体概念的TF-IDF方法在原有权重基础上加入本体概念问的语义相似度,得到最终权重值后使用支持向量机方法构建网页分类器,完成网页的主题相关性判断。4.在开源搜索引擎平台Nutch上实现了主题爬虫系统,完成了基于关键词向量空间支持向量机主题相关度算法和基于本体概念向量空间支持向量机主题相关度算法的实验。实验结果表明:基于本体概念的主题相关性算法在获取主题相关网页的准确率和搜索引擎查询返回记录的精确率上均优于传统方法,验证了本文所用方法的有效性。该方法可应用在不同本体领域中,具有广泛的应用价值。
面向盾构机智能维护的知识图谱构建
这是一篇关于盾构机维护,知识图谱,本体模型,图数据库,查询的论文, 主要内容为随着国内隧道交通建设需求的不断增加,盾构机作为隧道建设的重要工程装备开始被广泛应用于各种建设场景。复杂的应用环境导致盾构机在使用过程中经常发生故障,此时需要具有丰富维护知识的工程师对盾构机实施维护,相关的维护知识大多只存在于工程师的大脑及非结构性维护资料中,盾构机维护企业迫切需要将非结构性的维护知识转化为更加数字化、结构化及规范化的维护知识。知识图谱作为一种描述数据知识间关联关系的技术方法越来越受到重视,通过知识图谱技术不仅能有效地组织数据知识结构还可以进行知识查询并直观地展示查询结果。基于以上背景,本文将知识图谱技术应用于盾构机的维护知识获取和重用上,开展了面向盾构机智能维护的知识图谱构建研究。希望通过该研究,构建比较合理的盾构机维护知识图谱,并在此基础上进行知识图谱的查询应用,初步实现简单实例问句对应维护方案的智能推荐,使得盾构机的维护更加智能,具体的研究工作如下:(1)完成盾构机维护的本体模型构建。首先对盾构机结构进行分解来构建盾构机的机械结构模型。然后利用七步法并结合盾构机的维护知识构建盾构机维护的本体模型,主要步骤包括明确本体领域及范围、分析复用该领域已有本体的可能性、获取领域知识等,通过以上步骤,最终构建完成了盾构机维护的本体模型。(2)盾构机维护的知识图谱构建与存储。若要构建完整的知识图谱,需要将实体与关系填充到构建完成的本体模型中。本文采用基于Bi-LSTM+CRF模型的命名实体识别方法来完成实体识别,通过和其它模型进行对比实验发现该模型实体识别的准确率更高。本文采用基于神经网络与依存句法分析方法进行关系抽取,在特征提取层采用Bi-LSTM模型,同时在其它条件不变的情况下,用其他模型替换该模型进行对比试验,结果表明该模型的准确率更高。本文采用图数据库Neo4j对盾构机维护知识进行存储,最终构建了完整的盾构机维护知识图谱。(3)盾构机维护知识图谱的查询应用。对于知识图谱的查询,首先提取出问句中的语义信息,该过程利用NLPIR进行分词,并采用命名实体识别和关系抽取方法完成语义信息的提取。然后构建盾构机维护的问题模板及对应的Cypher查询语句模板。最后对简单实例问句进行问题模板归类并生成对应的Cypher查询语句,通过查询语句完成盾构机维护知识图谱的查询。该查询过程实现了简单实例问句对应维护方案的智能推荐,并间接验证了盾构机维护知识图谱构建的合理性。
面向低温加注系统运行安全的知识图谱构建研究
这是一篇关于低温加注系统,运行安全,知识图谱,本体模型,关联挖掘的论文, 主要内容为低温加注系统是保障运载火箭发射飞行的重要组成部分,一旦出现运行异常,将导致发射任务推迟甚至失败。然而,低温加注系统存在规模庞大、结构复杂、设备间相互耦合、运行数据不平衡等问题,难以直接建立机理模型或数据驱动模型刻画各种危险因素下安全事故的演化过程。为此,本文基于低温加注系统相关数据,研究了低温加注系统运行安全知识图谱的构建方法,通过提取与整合系统运行过程中各关键要素之间的关系,实现“危险因素—事故”演化过程的知识建模。本文主要工作如下:针对低温加注系统运行安全知识范围广、层次多和关系复杂等问题,本文设计了低温加注系统运行安全本体模型。在模型中,将低温加注系统运行安全本体分为概念、实例、属性和关系四个元素进行知识建模,基于七步构造法对系统结构、危险因素、设备故障和加注事故四个核心概念进行本体建模,从而明确研究问题的范围、应包含的实体、实体属性以及实体间关系,为后续知识抽取和知识融合工作提供模型支撑。为了研究低温加注系统运行过程中加注事故的发生机理和演化过程,本文构建了低温加注系统运行安全知识图谱。以故障报告和期刊文献为知识来源,构建标注语料集CLS-Safety-Corpus,利用Bi LSTM-CRF模型抽取其中的命名实体,基于Snowball模型形成结构化三元组。针对三元组中存在的知识冗余、矛盾、错误等问题,进行了知识融合。通过构建的运行安全知识图谱能够分析工艺参数超限、系统异常、设备故障以及误操作等危险因素对加注过程以及试验任务的影响。同时,为了研究低温加注系统运行安全知识图谱中过程变量、故障、设备、系统和加注事故之间的潜在关系,本文提出了关联挖掘模型(T-KBGAT)。将关联关系挖掘任务重定义为知识图谱中的链路预测任务,以T-GAT作为编码器,Conv KB作为解码器,学习实体的层次类别信息和知识图谱的结构信息,使实体和关系的向量表示包含更加丰富的语义信息。实验结果证明,T-KBGAT模型能有效挖掘实体间的隐含关联。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设小屋 ，原文地址：https://m.bishedaima.com/lunwen/56152.html
