肖 樂， 李家馨， 葛 亮， 吳 濤

(河南工業(yè)大學(xué)信息科學(xué)與工程學(xué)院1，鄭州 450001) (國家糧食和物資儲備局信息化推進辦2，北京 100038)

我國糧食產(chǎn)后損失驚人，據(jù)國家糧食和物資儲備局的數(shù)據(jù)顯示，我國在糧食儲藏、運輸和加工等產(chǎn)后環(huán)節(jié)，每年損失量達700億斤以上,一年的糧食損失接近吉林省全年糧食產(chǎn)量，糧食行業(yè)“產(chǎn)后護理”空間巨大[1]?！皽p少糧食產(chǎn)后損失等于建設(shè)無形良田，是提高糧食安全保障水平的重要舉措。在糧食產(chǎn)后損耗中，有一部分是由于農(nóng)戶及儲糧管理人員缺少相關(guān)知識和經(jīng)驗，無法及時對糧情做出科學(xué)的決策而造成。已有研究提出構(gòu)建糧情決策支持系統(tǒng)減少這部分糧食損耗，但當(dāng)前的方法存在獲取和添加知識困難、不能有效利用先驗知識等局限性。針對這些局限性，本文提出構(gòu)建知識圖譜的方法輔助決策。以知識圖譜為“專家”，指揮決策支持系統(tǒng)進行糧情決策，有效改善了農(nóng)戶及儲糧管理人員因知識不全、經(jīng)驗不足而造成的糧食損失狀況。

1 國內(nèi)外糧食及相關(guān)行業(yè)決策技術(shù)進展

1.1 糧食及相關(guān)行業(yè)決策支持與專家系統(tǒng)進展

國外對糧食及相關(guān)行業(yè)決策系統(tǒng)的研究起于20世紀70年代末，第一個決策系統(tǒng)由美國伊利諾伊大學(xué)開發(fā)，用于診斷大豆病蟲害[2]；Flinn等[3]開發(fā)了一個SAG Pro系統(tǒng)做糧食害蟲決策，該系統(tǒng)采用基于規(guī)則的方法向糧食管理者提供決策結(jié)果；Balleda等[4]提出了基于規(guī)則的專家系統(tǒng)-Agpest，該系統(tǒng)采用正向鏈接機制，有效的利用Agpest知識庫；Nascimento等[5]開發(fā)了一種病蟲害診斷工具，首先利用專家知識構(gòu)建病蟲害文本與圖像知識庫，之后編寫規(guī)則和問題進行柚木害蟲診斷防治；Afzal等[6]構(gòu)建了水稻領(lǐng)域本體，并采用基于規(guī)則的方法為農(nóng)民提供水稻管理方面的決策支持。以上傳統(tǒng)基于規(guī)則的決策支持系統(tǒng)面臨獲取決策知識難度較大、依賴領(lǐng)域內(nèi)專家構(gòu)建IF-THEN規(guī)則的困境，針對基于規(guī)則的決策系統(tǒng)的不足，一些學(xué)者提出樸素貝葉斯算法用于構(gòu)建決策支持系統(tǒng)。Wani等[7]提出利用樸素貝葉斯算法擬合機器學(xué)習(xí)模型進行害蟲診斷預(yù)測；Nababan等[8]建立圖像數(shù)據(jù)集，采用樸素貝葉斯方法訓(xùn)練模型并對油棕植物病害進行診斷；但基于樸素貝葉斯的決策系統(tǒng)依賴歷史數(shù)據(jù)，能解決的決策問題有限，針對該問題，研究人員提出將人工神經(jīng)網(wǎng)絡(luò)用于決策支持系統(tǒng)。Kumar等[9]利用人工神經(jīng)網(wǎng)絡(luò)開發(fā)了一個決策支持系統(tǒng)，該系統(tǒng)利用實際作物產(chǎn)量數(shù)據(jù)建立預(yù)測模型。由于農(nóng)業(yè)信息具有模糊性，且變量之間的關(guān)系復(fù)雜，Tay等[10]采用自適應(yīng)神經(jīng)模糊推理與人工神經(jīng)網(wǎng)絡(luò)結(jié)合的方法，有效的利用了模糊的農(nóng)業(yè)信息進行決策支持，為玫瑰溫室害蟲的日常風(fēng)險評估創(chuàng)建了決策支持工具；基于人工神經(jīng)網(wǎng)絡(luò)的決策支持系統(tǒng)存在需要大量訓(xùn)練樣本的局限性，Prabakaran等[11]針對人工神經(jīng)網(wǎng)絡(luò)的局限，構(gòu)建了基于支持向量機與模糊邏輯的作物施肥決策支持系統(tǒng)，有效的提高了農(nóng)業(yè)生產(chǎn)效率；但支持向量機需要大量特征工程，且對新問題適應(yīng)性較差，針對此問題，Saleem等[12]提出了基于深度學(xué)習(xí)算法的棉花害蟲決策支持系統(tǒng)，該方法通過RBFN算法對環(huán)境因子進行分類，對粉虱生長環(huán)境進行精確監(jiān)測。

2006年，我國原國家糧食局提出在“十一五”期間實施“安全綠色儲糧關(guān)鍵技術(shù)研究開發(fā)與示范”項目，該項目涉及了糧情測控系統(tǒng)。早在1998年，楊秀金等[13]就提出了安全儲糧智能決策支持系統(tǒng)，結(jié)合圖像處理技術(shù)與規(guī)則推理的方法進行糧情決策，較為有效地減少了糧食損失；甄彤等[14]針對儲糧通風(fēng)提出儲糧機械通風(fēng)控制系統(tǒng)，整個系統(tǒng)首先根據(jù)糧情檢測系統(tǒng)檢測的數(shù)據(jù)進行知識庫的建立，然后用推理機進行推理；張伶子等[15]將本體技術(shù)引入農(nóng)業(yè)害蟲診斷系統(tǒng)，采用Protégé編制本體和知識庫，并構(gòu)建推理規(guī)則對害蟲進行診斷；傳統(tǒng)基于規(guī)則的推理無法處理一些不確定性問題，針對這些不確定性，徐宏[16]開發(fā)了基于模糊理論的專家系統(tǒng)，用人工神經(jīng)網(wǎng)絡(luò)獲取知識并構(gòu)建糧食儲藏的知識庫用于推理；基于規(guī)則的方法獲取決策知識困難，針對此問題，孫曉全等[17]構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的糧情決策系統(tǒng)，該系統(tǒng)采用嵌入式AMR9的低成本傳感器平臺采集數(shù)據(jù)，并使用糧食信息加權(quán)融合與BP神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進行訓(xùn)練以及預(yù)測。

糧食及農(nóng)作物方面的知識資源分布散亂、穩(wěn)定性低、數(shù)據(jù)種類多且數(shù)量大。在面對如此復(fù)雜的多源異構(gòu)數(shù)據(jù)時，目前的方法存在以下局限性：基于規(guī)則的決策系統(tǒng)獲取知識和添加新知識都很困難，不能捕捉到數(shù)據(jù)間深層次的關(guān)聯(lián)關(guān)系，并且由于缺乏分層的知識表達造成了規(guī)則關(guān)系之間的不透明問題；基于機器學(xué)習(xí)和深度學(xué)習(xí)的決策支持系統(tǒng)在大規(guī)模的數(shù)據(jù)集上能得到較好的決策支持結(jié)果，但是它們難以利用先驗知識，并且依賴大規(guī)模標注數(shù)據(jù)集。另一方面，在大量實踐中，越來越多的人發(fā)現(xiàn)深度學(xué)習(xí)模型的結(jié)果與先驗知識相沖。這些局限性阻礙了深度學(xué)習(xí)在糧情決策支持中的發(fā)展。

表1對糧食及相關(guān)行業(yè)決策支持系統(tǒng)現(xiàn)狀進行了分析總結(jié)。

表1 糧食及相關(guān)行業(yè)決策系統(tǒng)與專家系統(tǒng)現(xiàn)狀的分析總結(jié)

1.2 知識圖譜應(yīng)用于決策支持現(xiàn)狀

知識圖譜包含了大量世界上的實體和它們之間相互關(guān)系的信息[18]，蘊含了人類豐富的先驗知識，獲取知識和添加新知識都較為方便且能挖掘出數(shù)據(jù)間的深層關(guān)聯(lián)，能有效地彌補深度學(xué)習(xí)算法的不足。如今，利用知識圖譜中的知識進行決策支持，從而提升決策支持系統(tǒng)的性能，已成為決策支持研究的重要問題之一。

目前基于知識圖譜的決策系統(tǒng)已廣泛用于醫(yī)療、金融等領(lǐng)域內(nèi)，在糧食農(nóng)作物方面也有了少量研究。例如，王娟[19]構(gòu)建了基于知識圖譜的煙草花葉病案例推理模型，提出了一套適用的煙草花葉病防治方案。于合龍等[20]提出基于知識圖譜的水稻智能診斷系統(tǒng)。但是基于知識圖譜的糧情決策系統(tǒng)鮮有報道。本文主要研究目的為構(gòu)建糧情知識圖譜，并將其用于糧情決策支持系統(tǒng)。

2 基于知識圖譜的糧情決策系統(tǒng)構(gòu)建

知識圖譜，通過將數(shù)據(jù)粒度從文檔級別降到數(shù)據(jù)級別，聚合大量知識，實現(xiàn)知識的快速響應(yīng)和推理。其基本組成單位是“實體-關(guān)系-實體”三元組，以及實體及其相關(guān)屬性的鍵值對，實體通過之間的關(guān)系相互聯(lián)結(jié)。從原始數(shù)據(jù)到知識圖譜的生成，大致要經(jīng)歷知識抽取、知識融合、數(shù)據(jù)模型構(gòu)建等過程。根據(jù)知識圖譜的分層結(jié)構(gòu)，將知識圖譜劃分為自頂向下和自底向上構(gòu)建，自頂向下是借助結(jié)構(gòu)化數(shù)據(jù)源，從高質(zhì)量數(shù)據(jù)中抽取本體和模式信息，加入到知識庫；自底向上是從公開采集的數(shù)據(jù)中抽取出資源模式，選擇置信度較高的新模式加入知識庫。

糧情知識圖譜與其他領(lǐng)域的數(shù)據(jù)特征相比，儲糧領(lǐng)域的數(shù)據(jù)有如下特點：數(shù)據(jù)種類多、數(shù)量大；資源分布散亂、穩(wěn)定性低；各個地方采用的存儲方式和標準不同。因此，糧情知識圖譜構(gòu)建面臨巨大的挑戰(zhàn)。本文采用自底向上的方法構(gòu)建糧情知識圖譜。首先通過實體抽取以及關(guān)系抽取方法從多源異構(gòu)的糧情數(shù)據(jù)中抽取出實體以及實體之間的關(guān)系，然后進行本體構(gòu)建，實體以及實體之間的關(guān)系在本體框架的指導(dǎo)下被鏈接成知識圖譜的表現(xiàn)形式，并用Neo4j存儲知識圖譜。之后在知識圖譜的基礎(chǔ)上進行知識推理，達到輔助糧情決策的目的。糧情知識圖譜的構(gòu)建框架如圖1所示。

圖1 糧情知識圖譜構(gòu)建框架

2.1 知識抽取

知識抽取主要由命名實體識別和關(guān)系抽取組成，其目的為從多源異構(gòu)的數(shù)據(jù)中抽取實體以及實體間的關(guān)系，在此基礎(chǔ)上形成本體化的知識表達。糧情知識抽取模型總體框架舉例如圖2所示。

圖2 糧情知識抽取模型總體框架舉例

2.1.1 命名實體識別

命名實體識別是指識別和區(qū)分文本中特定含義的詞匯和所屬的類別，它是知識圖譜中的基礎(chǔ)任務(wù)也是關(guān)鍵任務(wù)。早期基于規(guī)則的實體識別方法耗時費力，且不具有可擴展性，不能適應(yīng)數(shù)據(jù)的變化。基于機器學(xué)習(xí)的命名實體識別方法主要是先訓(xùn)練原始語料，之后通過訓(xùn)練好的模型去識別實體。在機器學(xué)習(xí)方法中，命名實體識別也可以看作是序列標注問題[21]。通常采用的傳統(tǒng)的機器學(xué)習(xí)方法有：馬爾可夫模型、隱馬爾可夫模型、最大熵模型以及將上述方法結(jié)合和改進的方法等。方瑩[22]提出了C-CRF層疊條件隨機場模型抽取農(nóng)業(yè)實體，充分利用了農(nóng)作物特征詞典，獲得了較好的識別效果。相比于基于規(guī)則的方法，基于統(tǒng)計機器學(xué)習(xí)的方法構(gòu)建模型所需的代價小，魯棒性好。但是基于機器學(xué)習(xí)的方法對選取的特征要求較高，對語料庫的依賴比較大，而用來構(gòu)建和評估命名實體識別系統(tǒng)的大型語料庫又比較少。近年來，隨著深度學(xué)習(xí)的發(fā)展，不少人也將深度學(xué)習(xí)的方法應(yīng)用到命名實體識別的研究中。Collobert等[23]是較早將神經(jīng)網(wǎng)絡(luò)方法應(yīng)用到NER的論文之一。Huang等[24]提出了雙向長短時記憶網(wǎng)絡(luò)，能有效利用序列的上下文信息。Guo等[25]提出了一種聯(lián)合多尺度局部上下文特征和注意力機制的中文命名實體識別模型抽取害蟲實體，通過CNN 提取多尺度局部特征，并采用注意力機制捕捉長距離依賴關(guān)系。實體識別準確性比Huang等[24]提出的Bilstm高了1.67%。

2.1.2 關(guān)系抽取

關(guān)系抽取主要指文本中實體之間的關(guān)系，例如語法、語義關(guān)系。通常將實體之間的關(guān)系形式化描述為。糧情領(lǐng)域中抽取的實體和實體之間的關(guān)系可描述為如圖2所示的<豌豆象，分布，山西>，即“豌豆象”與“山西”之間的關(guān)系為“分布”。知識圖譜中關(guān)系抽取的方法主要有3種，分別是基于規(guī)則的方法，有監(jiān)督的方法和半監(jiān)督或無監(jiān)督的方法。基于規(guī)則的方法可移植性差。有監(jiān)督的方法有核函數(shù)方法，邏輯回歸方法和條件隨機場等方法。有監(jiān)督的方法主要是根據(jù)訓(xùn)練數(shù)據(jù)，設(shè)計有效特征，學(xué)習(xí)各種分類模型，然后使用訓(xùn)練的分類器預(yù)測關(guān)系。與基于規(guī)則的方法相比，有監(jiān)督的方法在一定程度上減少了人力的耗費，但仍需要耗費大量的特征工程。半監(jiān)督或無監(jiān)督的方法則大大減少了特征工程，Kaushik等[26]提出了自監(jiān)督算法進行農(nóng)業(yè)文本關(guān)系抽取，建立了基于wordnet相似度的基線算法relxont來識別不同的關(guān)系，該法的平均精度為86.89%。樂毅等[27]提出一種PCNN模型和遠程監(jiān)督關(guān)系抽取方法進行害蟲關(guān)系抽取，該模型加入了注意力機制和池化級特征注意力機制，避免了大量的人工標注。

近年來，也有學(xué)者提出聯(lián)合抽取，將實體與關(guān)系同時抽取，Zheng等[28]提出將實體和關(guān)系聯(lián)合抽取轉(zhuǎn)化為序列標注任務(wù)，此法在公共數(shù)據(jù)集上的抽取準確率超過60%，但是在此法中，抽取的實體之間只能有一種關(guān)系；Katiyar等[29]提出了將注意力機制與BiLSTM的BiLSTM-WA模型做聯(lián)合抽取，改善了Zheng等[28]提出的方法的缺陷；沈利言等[30]針對水稻病蟲害文本，在BiLSTM-WA模型的基礎(chǔ)上提出了雙BiLSTM與注意力機制結(jié)合的水稻病蟲害與藥劑實體關(guān)系聯(lián)合抽取的方法，其聯(lián)合抽取準確率最高達到92.90%。

2.2 糧情知識圖譜本體構(gòu)建

本體是用于描述一個領(lǐng)域的術(shù)語集合，其組織結(jié)構(gòu)為層次結(jié)構(gòu)化，可以作為一個知識庫的骨架和基礎(chǔ)。本體構(gòu)建的方式主要分為三類，分別為手動構(gòu)建本體、半自動化構(gòu)建本體和自動化構(gòu)建本體。手動構(gòu)建本體耗時費力，自動構(gòu)建本體快速有效。本體自動構(gòu)建目前處于起步階段，目前采用較多的方法是手工構(gòu)建本體。糧食本體構(gòu)建屬于特定領(lǐng)域本體構(gòu)建，其本體構(gòu)建源于2001年，聯(lián)合國糧農(nóng)組織實行了農(nóng)業(yè)本體服務(wù)計劃[31]。Chougule等[32]提出以O(shè)WL格式保存印度糧食害蟲自適應(yīng)本體。Abrah?o等[33]提出使用UML對農(nóng)業(yè)田間作業(yè)技術(shù)知識進行本體的構(gòu)建。糧情知識圖譜的本體構(gòu)建舉例如圖3所示。

圖3 糧食知識圖譜的本體構(gòu)建舉例

2.3 知識推理

知識推理就是利用已有的知識推理出新知識的過程[34]。知識推理的方法主要分為三類：基于規(guī)則的推理、基于分布式推理和基于神經(jīng)網(wǎng)絡(luò)的推理。早期基于規(guī)則的推理就是利用簡單的規(guī)則或統(tǒng)計特征對知識圖譜進行推理。Chen等[35]提出了概率知識庫，能批量用馬爾可夫邏輯網(wǎng)絡(luò)推理規(guī)則。然而基于邏輯規(guī)則推理的方法計算復(fù)雜度高，可擴展性差，且大部分稀疏的實體和關(guān)系嚴重影響推理性能?；诜植际酵评淼姆椒?，對數(shù)據(jù)稀疏性不敏感，可擴展性更強?；诜植际酵评戆◤埩糠纸?、距離模型和語義匹配模型。張量分解方法以RESCAL[36]為主，RESCAL通過張量進行分解，得到實體和關(guān)系類型的嵌入式表示，反映了實體或關(guān)系領(lǐng)域結(jié)構(gòu)的相似性，但該法效果有限。Bordes等[37]提出了TransE模型，TransE將所有的實體和關(guān)系映射為低維的向量，之后判斷兩個嵌入點平移后能否重合，若能，則關(guān)系存在。TransE效果較好，但是平移轉(zhuǎn)化要求嚴格，難以對抗噪聲。García-Durán等[38]提出語義匹配模型TATEC，主要是對知識圖譜中的二元語義和三元語義進行匹配，以此衡量關(guān)系是否合理并構(gòu)建線性優(yōu)化目標，但此法不能捕捉非線性語義關(guān)系。神經(jīng)網(wǎng)絡(luò)能有效捕捉非線性語義關(guān)系，它通過非線性變換將輸入數(shù)據(jù)的特征分布從原始空間轉(zhuǎn)換到另一個特征空間，并自動學(xué)習(xí)特征表示。Shi等[39]提出了共享變量神經(jīng)網(wǎng)絡(luò)模型進行知識推理。Neelakantan等[40]提出采用PRA來尋找邏輯關(guān)系路徑，并以遞歸神經(jīng)網(wǎng)絡(luò)為模型來建模關(guān)系路徑。RNN的引入提高了模型的泛化能力，使其可用于處理訓(xùn)練數(shù)據(jù)中未觀測到的新關(guān)系。但是由于第2個實體必須由推斷獲得，因此該法不適用于復(fù)雜任務(wù)。而Li等[41]針對這個問題提出了一種基于多代理和強化學(xué)習(xí)的路徑推理方法，即MARLPaR。2個代理分別以迭代的方式進行關(guān)系選擇和實體選擇，從而實現(xiàn)復(fù)雜的推理任務(wù)。

知識推理從已有的三元組中推斷出未知關(guān)系，為特定領(lǐng)域內(nèi)的知識圖譜提供有效的關(guān)聯(lián)發(fā)現(xiàn)能力，輔助糧情進行決策支持。

3 實現(xiàn)

通過調(diào)研，本文采用聯(lián)合糧情詞典與Flat-lattice[42]的方法從多源異構(gòu)數(shù)據(jù)中抽取糧情實體實現(xiàn)構(gòu)建基于知識圖譜的糧情決策系統(tǒng)的第一步。

3.1 語料準備

3.1.1 文本收集

本文語料主要來源于糧食大辭典[43]與知網(wǎng)爬取獲得的糧食文本形成糧情數(shù)據(jù)集。糧情詞典是由新詞發(fā)現(xiàn)算法結(jié)合分詞工具對糧食大辭典進行分詞，之后經(jīng)過篩選得到的領(lǐng)域內(nèi)專業(yè)術(shù)語。

3.1.2 類別劃分

本文將糧情數(shù)據(jù)的中文實體類別劃分為14類。其實體類別如表2所示。

表2 實體類別

3.1.3 標注實體

選取部分語料，采用BIOES標注方法對33 346條數(shù)據(jù)進行實體語料標注。

3.1.4 特征分析

如表3所示，糧情數(shù)據(jù)集在實體類型和專業(yè)性等方面與通用數(shù)據(jù)集相比都有很大不同，除了無明確邊界外，該數(shù)據(jù)集有幾個特點：實體類別多，該數(shù)據(jù)集包含14個實體類別；專業(yè)性強、領(lǐng)域內(nèi)未登錄詞多，在數(shù)據(jù)集中存在大量專業(yè)術(shù)語和未登錄的糧情術(shù)語，如“褐胚”、“酸敗”和“玉米象”等。而現(xiàn)有分詞工具對領(lǐng)域內(nèi)專有名詞不敏感以及無法對未登錄詞進行正確分割，很容易導(dǎo)致分詞錯誤，從而降低實體識別精度；數(shù)據(jù)集中存在一些嵌套實體，如“玉米象”與“玉米”，很容易造成模型誤判。

針對糧情數(shù)據(jù)集的特點，本文提出了結(jié)合糧情詞典與Flat-lattice做實體抽取。糧情詞典的引入提高了Flat-lattice識別糧情領(lǐng)域內(nèi)未登錄詞與專業(yè)名詞的性能，同時輔助Flat-lattice更好地避免分詞錯誤和充分利用詞信息。

表3 糧情數(shù)據(jù)集樣例

3.2 flat-lattice模型

漢字格結(jié)構(gòu)對利用詞信息和避免分詞的錯誤傳播有很大的好處。因此將一個句子與一個詞典進行匹配，得到其中的潛詞。如圖4所示。格是一個有向無環(huán)圖，其中每個節(jié)點都是一個字符或一個潛在的字。格包括句子中的一系列字符和可能的單詞。單詞的第一個字符和最后一個字符決定了它的位置。本文采用Transformer對序列中的長距離依賴進行建模，引入序列中的每個token的位置表示保存位置信息。為1個標記(字符或單詞)分配了2個位置索引：頭位置和尾位置，通過這2個索引，既可以從1組標記重構(gòu)出1個格子，也可以把1個格子壓成1個平面。如圖5所示。因此，可以直接使用Transformer對格子輸入進行完整的建模。

圖4 漢字格子結(jié)構(gòu)舉例

圖5 格子轉(zhuǎn)為平面結(jié)構(gòu)

算法流程為：

輸入：輸入的字符與糧情字典里的詞進行匹配，與原始文本一起形成Token，由Token映射出頭位置索引head和尾位置索引tail。

初始化可學(xué)習(xí)參數(shù)，Wr,Wq,WK,R,WK,E,u,V。

對于格子中的兩個跨xi和xj，通過式(1)～式(4)計算它們之間的區(qū)間相對位置距離，

(1)

(2)

(3)

(4)

(5)

式中：Wr是一個可學(xué)習(xí)的參數(shù)，⊕表示連接算子，Pd計算如式(6)和式(7)：

(6)

(7)

式中：k為位置編碼的維數(shù)指標。

(8)

式中：Wq,WK,E,WE,R∈Rdmodel×dhead,u,V∈Rdhead是可學(xué)習(xí)參數(shù)。

Flat之后，將字符表示形式帶入輸出層，后面接條件隨機場，從而得到命名實體識別結(jié)果。

3.3 實驗結(jié)果

3.3.1 模型實驗結(jié)果

表4為基于糧情詞典和Flat-lattice的命名實體識別模型在糧情數(shù)據(jù)集上的實驗結(jié)果，并同中文命名實體識別常用的基于字符的CRF，Bilstm-CRF模型以及無糧情詞典的Flat-lattice模型的實驗結(jié)果進行了對比。與傳統(tǒng)的方法相比，基于糧情詞典的Flat-lattice模型的實體識別效果有了很大的提升。相對于沒有糧情詞典的Flat-lattice模型，有糧情詞典的模型能將F1值從89.96%提高到94.29%。

表4 實驗結(jié)果對比

3.3.2 糧情詞典的影響

實驗結(jié)果顯示，隨著訓(xùn)練次數(shù)的增加，無糧情詞典的模型與有糧情詞典的模型F1值、準確率和召回率都逐漸提高。無糧情詞典的模型的精確率、召回率、F1值分別為93.39%、86.78%、89.96%，而加入糧情詞典后，則將精確率、召回率、F1值分別提高了2.65%、5.92%、4.33%，且有糧情詞典的模型收斂速度更快。糧情詞典對糧情實體抽取任務(wù)效果的提高起到了一定的幫助作用。

4 總結(jié)與展望

通過對以往的糧情決策支持系統(tǒng)的研究發(fā)現(xiàn)，當(dāng)前糧食及相關(guān)行業(yè)的決策支持技術(shù)存在獲取和添加知識困難、難以利用先驗知識等不足。本實驗針對這些不足提出了基于知識圖譜的糧情決策支持技術(shù)，并采用糧情詞典與Flat-lattice結(jié)合的方法從多源異構(gòu)數(shù)據(jù)中抽取出糧情實體用于后續(xù)構(gòu)建基于知識圖譜的糧情決策支持。經(jīng)過實驗，結(jié)合糧情詞典與Flat-lattice抽取實體F1值最高達到94.29%。

將知識圖譜技術(shù)用于決策支持，既能挖掘出數(shù)據(jù)間的深層關(guān)聯(lián)關(guān)系，還能有效利用先驗知識進行輔助決策。構(gòu)建糧情知識圖譜決策支持系統(tǒng)不僅能為儲糧安全提供信息保障，為農(nóng)民提供科學(xué)決策，還能為科研人員提供研究參考。同時構(gòu)建基于知識圖譜的糧情決策支持也是智能農(nóng)業(yè)的一部分，更是響應(yīng)國家提出的“農(nóng)業(yè)信息化”的號召。盡管對基于知識圖譜的糧情決策支持系統(tǒng)做了很多嘗試，但是還不夠深入和完善，需要更進一步的研究。未來研究團隊將探索如何從多源異構(gòu)數(shù)據(jù)中自動化構(gòu)建糧情知識圖譜，并深入研究如何利用知識圖譜的知識進行糧情決策。