摘 要：知識圖譜作為結(jié)構(gòu)化語義網(wǎng)絡(luò)，能夠存儲實(shí)體間豐富的關(guān)系信息，廣泛應(yīng)用于多個領(lǐng)域，在家禽產(chǎn)業(yè)中展現(xiàn)出顯著的實(shí)用價值。文章闡述了知識圖譜的組成元素、主要技術(shù)流程及其在家禽產(chǎn)業(yè)中的應(yīng)用現(xiàn)狀和挑戰(zhàn)，以期為知識圖譜在家禽產(chǎn)業(yè)中的應(yīng)用提供參考。

關(guān)鍵詞：知識圖譜；實(shí)體關(guān)系；家禽業(yè)

中圖分類號：S818.9 文獻(xiàn)標(biāo)識碼：A 文章編號：1673-1085（2024）08-0039-06

隨著信息化與智能化技術(shù)的快速發(fā)展，家禽產(chǎn)業(yè)迎來技術(shù)革新的浪潮。其中，圖數(shù)據(jù)庫技術(shù)憑借其強(qiáng)大的語義推理能力，在眾多行業(yè)中逐漸顯現(xiàn)重要價值。知識圖譜作為一種高效的數(shù)據(jù)組織和管理方式，近年來，在家禽相關(guān)技術(shù)領(lǐng)域引起了廣泛關(guān)注，對提升產(chǎn)業(yè)信息處理能力和決策支持效率具有顯著影響。為全面總結(jié)和分析知識圖譜在家禽產(chǎn)業(yè)中的應(yīng)用現(xiàn)狀和發(fā)展趨勢，本文利用Web of Science、Google Scholar、中國知網(wǎng)等數(shù)據(jù)庫，以“家禽知識圖譜”“知識圖譜”和“Poultry Knowledge Graph”為關(guān)鍵詞，梳理了近年來國內(nèi)外在該領(lǐng)域的研究進(jìn)展，作為本文數(shù)據(jù)支撐。

1" 知識圖譜基礎(chǔ)

1.1" 概念

知識圖譜（knowledge graph）是一種結(jié)構(gòu)化語義網(wǎng)絡(luò)，旨在存儲實(shí)體之間的關(guān)系信息。它起源于語義網(wǎng)絡(luò)的概念，旨在通過連接分散的數(shù)據(jù)源實(shí)現(xiàn)數(shù)據(jù)的語義化和關(guān)聯(lián)性，提高機(jī)器的理解能力。早期的知識圖譜，如YAGO[1]、DBpedia等，是基于維基百科等開放資源構(gòu)建。知識圖譜主要由實(shí)體（Entity）、關(guān)系（Relation）和屬性（Attribute）組成。實(shí)體通常是具象化的人、地點(diǎn)或組織等；關(guān)系定義了實(shí)體之間豐富的語義聯(lián)系；屬性則提供實(shí)體的描述性細(xì)節(jié)。這些元素以圖形的形式表現(xiàn)，其中節(jié)點(diǎn)通常代表實(shí)體，邊則表示實(shí)體間的關(guān)系。

知識圖譜按其來源和應(yīng)用可以分為通用知識圖譜和領(lǐng)域知識圖[2]。通用知識圖譜提供跨多個領(lǐng)域的廣泛知識，如圖形數(shù)據(jù)庫Freebase[3]、協(xié)作數(shù)據(jù)收集平臺Wikidata[4]、中文百科知識庫CN-DBpedia[5]以及大規(guī)模多語言知識庫DBpedia[6]。領(lǐng)域知識圖譜則專注于特定領(lǐng)域，如醫(yī)療、金融或法律等，為專業(yè)應(yīng)用提供深入知識支持。

知識圖譜的研究和應(yīng)用涉及多個學(xué)科，包括數(shù)據(jù)科學(xué)、人工智能、語言學(xué)、邏輯學(xué)、哲學(xué)等。這些學(xué)科的交叉合作推動知識圖譜的技術(shù)進(jìn)步和應(yīng)用擴(kuò)展。在實(shí)際應(yīng)用中，知識圖譜已廣泛應(yīng)用于搜索引擎、推薦系統(tǒng)、即時翻譯、決策系統(tǒng)等領(lǐng)域。例如，搜索引擎利用知識圖譜改善查詢的相關(guān)性和結(jié)果的準(zhǔn)確性；推薦系統(tǒng)幫助理解用戶興趣和內(nèi)容屬性，提升推薦質(zhì)量，等等。

1.2" "存儲方式

知識圖譜是上層應(yīng)用概念，其底層存儲方式是數(shù)據(jù)庫，主要有兩種類型的數(shù)據(jù)庫，即關(guān)系型數(shù)據(jù)庫和圖數(shù)據(jù)庫。

關(guān)系型數(shù)據(jù)庫以MySQL為代表，處理結(jié)構(gòu)化數(shù)據(jù)效率高，擅長具有固定模式的數(shù)據(jù)存儲。在知識圖譜的上下文，關(guān)系型數(shù)據(jù)庫可以通過外鍵關(guān)系表達(dá)實(shí)體間的關(guān)系，例如使用聯(lián)表查詢來探索實(shí)體間的連接。但對于復(fù)雜的關(guān)系網(wǎng)絡(luò)，應(yīng)用關(guān)系型數(shù)據(jù)庫查詢可能會變得復(fù)雜且低效，尤其是在涉及多步關(guān)系連接的查詢。

圖數(shù)據(jù)庫以圖的形式直接存儲實(shí)體（作為節(jié)點(diǎn)）和實(shí)體間關(guān)系（作為邊），這種存儲方式與知識圖譜的結(jié)構(gòu)天然契合。圖數(shù)據(jù)庫優(yōu)化了節(jié)點(diǎn)間關(guān)系的查詢操作，特別是在處理大規(guī)模和復(fù)雜關(guān)系網(wǎng)絡(luò)時，能提供更快的查詢性能。例如，使用圖查詢語言（如Cypher、Gremlin）可以直接編寫復(fù)雜的圖遍歷和模式匹配查詢，這在關(guān)系型數(shù)據(jù)庫中可能需要復(fù)雜的SQL聯(lián)合查詢和多表操作。 實(shí)際應(yīng)用中，一般結(jié)合關(guān)系型數(shù)據(jù)庫和圖數(shù)據(jù)庫的優(yōu)點(diǎn)，使用關(guān)系型數(shù)據(jù)庫管理結(jié)構(gòu)化數(shù)據(jù)，同時利用圖數(shù)據(jù)庫處理復(fù)雜的關(guān)系查詢。

圖數(shù)據(jù)庫有專門針對知識圖譜設(shè)計的數(shù)據(jù)存儲與表達(dá)方式——圖模型。圖模型利用三元組來存儲、表示實(shí)體、屬性、值。三元組通常表示為（s，p，o） ，其中 s（subject，主體）代表節(jié)點(diǎn)，p（predicate，謂語）代表邊，而o（object，賓語）代表另一節(jié)點(diǎn)。這種表示方法源自資源描述框架RDF（Resource description framework）標(biāo)準(zhǔn)，描述實(shí)體間的語義關(guān)系。例如，三元組 [（＼text{817品種}，＼text{誕生于}，＼text{家禽所}）]描述了“817品種”和“家禽所”之間通過“誕生于”發(fā)生聯(lián)系。

2" 知識圖譜構(gòu)建方法

2.1" 構(gòu)建流程

構(gòu)建流程圖見圖1所示。構(gòu)建知識圖譜的方法主要分為自底向上法（Bottom-Up）和自頂向下法（Top-Down）[7-8]。

自頂向下方法：從一個明確定義好的本體（Ontology）出發(fā)，先定義知識圖譜的結(jié)構(gòu)，包括實(shí)體類別、屬性和關(guān)系。強(qiáng)調(diào)從理論和概念框架開始構(gòu)建，適用于對領(lǐng)域知識有深刻理解和預(yù)設(shè)結(jié)構(gòu)的情況。開發(fā)者根據(jù)本體收集、整合數(shù)據(jù)，確保數(shù)據(jù)結(jié)構(gòu)嚴(yán)格遵循預(yù)定義模式。其優(yōu)點(diǎn)是結(jié)構(gòu)清晰、嚴(yán)格，便于維護(hù)和擴(kuò)展，缺點(diǎn)是靈活性較低，對快速變化的領(lǐng)域適應(yīng)性可能較差。Smeets等[9]采用自底向上的方法研究未來家禽業(yè)飼料平均轉(zhuǎn)化效率。

自底向上方法：從具體數(shù)據(jù)出發(fā)，通過數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)來識別實(shí)體和關(guān)系，逐漸構(gòu)建知識圖譜的結(jié)構(gòu)。不依賴于事先定義的本體，側(cè)重從數(shù)據(jù)中發(fā)現(xiàn)自然知識結(jié)構(gòu)。該方式適用于數(shù)據(jù)豐富但缺乏明確結(jié)構(gòu)定義的場景。其優(yōu)點(diǎn)是靈活適應(yīng)多變的數(shù)據(jù)環(huán)境和用戶需求，但可能導(dǎo)致圖譜的不一致性、復(fù)雜性。

2.2" 知識圖譜構(gòu)建技術(shù)

2.2.1" 知識抽取" 從結(jié)構(gòu)化或非結(jié)構(gòu)化的數(shù)據(jù)源中提取有價值信息的過程。結(jié)構(gòu)化數(shù)據(jù)源如數(shù)據(jù)庫和表格，可以直接提取實(shí)體和關(guān)系；非結(jié)構(gòu)化數(shù)據(jù)源如文本、圖片和視頻，則需自然語言處理（NLP）技術(shù)[10]來識別文中的實(shí)體和實(shí)體間關(guān)系。這些技術(shù)包括命名實(shí)體識別（NER）、關(guān)系抽取、事件抽取等。

2.2.2" 知識整合" 抽取出的知識以恰當(dāng)?shù)姆绞秸系揭粋€統(tǒng)一的框架，以構(gòu)建圖譜的過程，包括運(yùn)用實(shí)體消歧、指代消解、關(guān)系驗(yàn)證等NLP領(lǐng)域的方法。構(gòu)建者通常需要定義一個本體（Ontology），決定知識圖譜中的類別、屬性和相互關(guān)系，目的是建立標(biāo)準(zhǔn)化數(shù)據(jù)格式并支持?jǐn)?shù)據(jù)的語義整合。

2.2.3" 知識存儲" 對知識進(jìn)行有效地存儲和索引，便于后續(xù)查詢和分析。常見的存儲解決方案包括：基于RDF結(jié)構(gòu)的存儲方式；基于免費(fèi)開源的圖數(shù)據(jù)庫存儲，例如Neo4j、JanusGraph、Nebula Graph等。上述存儲系統(tǒng)可高效管理大規(guī)模圖數(shù)據(jù)，并支持復(fù)雜的圖查詢操作。

2.2.4" 知識更新、維護(hù)與質(zhì)量控制" 隨著時間推移和知識積累迭代，原有的知識圖譜需要更新維護(hù)，如添加新的實(shí)體和關(guān)系、更新或刪除過時的信息。質(zhì)量控制確保數(shù)據(jù)的準(zhǔn)確性、一致性和完整性，通過設(shè)置檢查點(diǎn)進(jìn)行人工審核和采用自動化質(zhì)量保證工具。

3" 家禽知識圖譜的應(yīng)用現(xiàn)狀

3.1" 信息檢索

知識圖譜提供一種結(jié)構(gòu)化的方式整合家禽產(chǎn)業(yè)的多元數(shù)據(jù)，如種禽品種信息、疾病信息、飼料配方、環(huán)控數(shù)據(jù)等，提供精準(zhǔn)和深入的搜索結(jié)果。用戶可通過知識圖譜的鏈接關(guān)系，快速查詢相關(guān)環(huán)境要求、疾病預(yù)防措施等信息。Y Yu[11]利用CiteSpace繪制了知識圖譜，呈現(xiàn)了學(xué)科分布和研究前沿，研究重點(diǎn)關(guān)注光在家禽晝夜節(jié)律中的調(diào)控，探討光對家禽生長和免疫力的影響，分析光對褪黑素水平的調(diào)控作用。孫慶佳[12]從Web of Science數(shù)據(jù)庫獲取數(shù)據(jù)源，利用可視化分析工具，繪制出禽流感病毒研究領(lǐng)域的科學(xué)知識圖譜，分析H7N9禽流感病毒研究的熱點(diǎn)與關(guān)鍵詞間的關(guān)聯(lián)，展示了H7N9禽流感病毒研究的發(fā)展歷程，預(yù)測了H7N9禽流感病毒研究的發(fā)展趨勢。

3.2" 問答系統(tǒng)

問答系統(tǒng)在家禽產(chǎn)業(yè)中尤為重要，它能理解用戶的自然語言查詢并提供準(zhǔn)確的答案。例如，農(nóng)戶可能會問：“我的雞出現(xiàn)呼吸困難，應(yīng)該怎么辦？”問答系統(tǒng)通過遍歷知識圖譜中的疾病癥狀、治療方法等信息，快速給出治療措施或推薦聯(lián)系獸醫(yī)。S Gu等[13]構(gòu)建了雞病診斷知識圖譜，包含28種常見雞病及其相關(guān)癥狀和預(yù)防治療措施，并通過使用Bert-TextCNN實(shí)現(xiàn)意圖識別任務(wù)、使用BiLSTM-CRF實(shí)現(xiàn)實(shí)體識別任務(wù)。

湯?；14]結(jié)合自然語言處理與知識圖譜技術(shù)，自動化抽取網(wǎng)絡(luò)和書本中半結(jié)構(gòu)、非結(jié)構(gòu)化的家禽疾病診斷治療知識，并提煉整合后構(gòu)造家禽常見疾病診療知識圖譜，以知識問答應(yīng)用的形式幫助養(yǎng)殖戶快速獲取高質(zhì)量禽病診療知識。

3.3" 推薦系統(tǒng)

推薦系統(tǒng)根據(jù)家禽的種類、年齡、健康狀況以及環(huán)境條件等信息，推薦最適合養(yǎng)殖場自身情況的飼料、藥品或養(yǎng)殖技術(shù)。這種推薦還可以基于市場趨勢或季節(jié)變化動態(tài)調(diào)整，提供最優(yōu)化的建議。

3.4" 專家推理預(yù)測

利用知識圖譜進(jìn)行專家推理預(yù)測是在家禽領(lǐng)域應(yīng)用的較為先進(jìn)的一個方向，包括疾病預(yù)測、產(chǎn)量預(yù)測等類型。通過分析歷史數(shù)據(jù)與現(xiàn)有的環(huán)境、疾病發(fā)生模式等信息，知識圖譜預(yù)測未來可能出現(xiàn)的問題，使從業(yè)者提前采取措施。例如，系統(tǒng)可根據(jù)當(dāng)前的疫情發(fā)展、氣候條件和雞群的健康狀況，預(yù)測未來的疾病風(fēng)險。M Pitesky等[15]基于機(jī)器學(xué)習(xí)和關(guān)系數(shù)據(jù)庫建立了預(yù)測商業(yè)蛋雞場的雞蛋重量和肉雞場沙門氏菌暴發(fā)潛在原因的統(tǒng)計模型。C Poolkhet等[11]使用指數(shù)隨機(jī)圖模型 （ERGM） 來解釋 2004-2005年間泰國禽流感暴發(fā)熱點(diǎn)省份的小型飼養(yǎng)場中傳染病的感染網(wǎng)絡(luò)，并使用動態(tài)指數(shù)隨機(jī)圖模型 （ERGM） 進(jìn)行社交網(wǎng)絡(luò)分析。

4" 知識圖譜在家禽產(chǎn)業(yè)應(yīng)用中的挑戰(zhàn)

知識圖譜在家禽產(chǎn)業(yè)中的應(yīng)用與發(fā)展面臨多方面的挑戰(zhàn)。從構(gòu)建方法上，傳統(tǒng)的自頂向下（Top-down）方法依賴于領(lǐng)域?qū)＜蚁到y(tǒng)定義實(shí)體及其關(guān)系，而自底向上（Bottom-up）方法則依靠機(jī)器學(xué)習(xí)技術(shù)從大數(shù)據(jù)中提取知識結(jié)構(gòu)。家禽產(chǎn)業(yè)作為一個具體且細(xì)分的領(lǐng)域，數(shù)據(jù)通常具有高度的專業(yè)性和不均勻性，這使得自頂向下法在準(zhǔn)確性上有優(yōu)勢，但構(gòu)建成本和時間消耗大；自底向上的方法雖然可以利用現(xiàn)有大數(shù)據(jù)，但由于缺乏精確的領(lǐng)域知識，難以確保知識的準(zhǔn)確性和相關(guān)性。

在知識融合和加工層面，家禽業(yè)的復(fù)雜性使不同數(shù)據(jù)源的知識整合成為一大難題。如遺傳信息、養(yǎng)殖條件、疾病數(shù)據(jù)，需要通過高效的知識融合技術(shù)整合來構(gòu)建全面反映家禽健康與生產(chǎn)的知識體系。然而，當(dāng)前的知識融合技術(shù)還難以處理高度異構(gòu)和動態(tài)變化的數(shù)據(jù)，這一點(diǎn)在家禽領(lǐng)域尤其突出。進(jìn)行特征編碼生成特征向量是實(shí)現(xiàn)有效預(yù)測和推理任務(wù)的關(guān)鍵和難點(diǎn)，家禽產(chǎn)業(yè)涉及廣泛的數(shù)據(jù)類型，包括遺傳數(shù)據(jù)、生理數(shù)據(jù)、養(yǎng)殖環(huán)境數(shù)據(jù)等多種類型。數(shù)據(jù)在來源、格式和質(zhì)量上難以同構(gòu)，給特征編碼帶來了困難。如何將這些異質(zhì)數(shù)據(jù)轉(zhuǎn)化為一致、可計算的格式，如何在不喪失信息的前提下進(jìn)行降維或選擇有效特征，是優(yōu)化計算效率和預(yù)測準(zhǔn)確性的關(guān)鍵。

在家禽生長發(fā)育和健康管理中，時間因素具有重要的影響。因此，在進(jìn)行特征編碼時，必須融合時間序列數(shù)據(jù)，精確記錄飼養(yǎng)周期中各個階段的關(guān)鍵數(shù)據(jù)點(diǎn)。這種數(shù)據(jù)整合對于預(yù)測疾病的發(fā)展及評估生產(chǎn)效率具有至關(guān)重要的作用。

在語義理解方面，家禽領(lǐng)域的數(shù)據(jù)不僅僅是數(shù)字，還包括獸醫(yī)報告、飼養(yǎng)員記錄、文獻(xiàn)資料、專業(yè)書籍等大量的文本信息。為了從海量文本數(shù)據(jù)中提取有用信息并將其編碼為圖數(shù)據(jù)庫中的特征向量，需要運(yùn)用先進(jìn)的自然語言處理（NLP）技術(shù)和深入的語義理解。這一過程涉及對文本內(nèi)容的細(xì)致分析，以抽取關(guān)鍵信息并將其轉(zhuǎn)化為結(jié)構(gòu)化的數(shù)據(jù)形式，進(jìn)一步支持復(fù)雜的查詢和數(shù)據(jù)挖掘任務(wù)。

參考文獻(xiàn)：

[1] Suchanek F M， Kasneci G， Weikum G，et al. Yago： a core of semantic knowledge： Proceedings of the 16th international conference on World Wide Web [C]//WWW'07：16th International World Wide Web.Banff Alberta Canada，2007：697-706.

[2] Lin J， Zhao Y， Huang W， et al. Domain knowledge graph-based research progress of knowledge representation[J]. Neural Computing and Applications， 2021，33：681-690.

[3] Bollacker K， Evans C， Paritosh P， et al. Freebase：a collaboratively created graph database for structuring human knowledge[C]//.2008 ACM SIGMOD international conference on Management，2008：1247-1250.

[4] Vrande?i? D. Wikidata： A new platform for collaborative data collection [C]//Association for Computing Machinery.21st International Conference on World Wide Web，2012：1063-1064.

[5] Xu B， Liang J， Xie C， et al. CN-DBpedia2： an extraction and verification framework for enriching Chinese encyclopedia knowledge base[J]. Data Intelligence， 2019，1（3）：271-288.

[6] Lehmann J， Isele R， Jakob M， et al. Dbpedia–a large-scale， multilingual knowledge base extracted from wikipedia[J]. Semantic web， 2015，6（2）：167-195.

[7] Wilke G， Emmenegger S， Lutz J， et al. Merging bottom-up and top-down knowledge graphs for intuitive knowledge browsing[M].Berlin：Springer International Publishing，2016：445-449.

[8] Meilicke C， Chekol M W， Fink M， et al. Reinforced anytime bottom up rule learning for knowledge graph completion[D/OL].Cornell University，2020.[2024-06-05].https：//arxiv.org/abs/2004.04412.DOI： 10.48550/arXiv.2004.04412

[9] Smeets E M， Faaij A P， Lewandowski I M， et al. A bottom-up assessment and review of global bio-energy potentials to 2050[J]. Progress in Energy and combustion science， 2007，33（1）：56-106.

[10] Lu G Y， Li S， Mai G C， et al. AGI for agriculture[J/OL]. arXivorg，2023.[2024-06-05]. https：//arxiv.org/abs/2304.06136.DOI： 10.48550/arXiv.2304.06136

[11] Poolkhet C， Makita K， Thongratsakul S， et al. Exponential random graph models to evaluate the movement of backyard chickens after the avian influenza crisis in 2004-2005， Thailand[J]. Preventive veterinary medicine， 2018，158：71-77.

[12] 孫慶佳. 基于web of science數(shù)據(jù)庫的知識圖譜視角下H7N9禽流感病毒研究態(tài)勢分析[D]. 北京：首都經(jīng)濟(jì)貿(mào)易大學(xué)， 2023.

[13] Gu S， Wang J， Zheng S， et al. Knowledge Graph Based Chicken Disease Diagnosis Question Answering System[C]//. International Conference on Data Mining and Big Data， 2022.

[14] 湯?；? 面向家禽常見疾病診療的文本自動抽取與知識圖譜應(yīng)用研究[D]. 南京：南京農(nóng)業(yè)大學(xué)， 2021.

[15] Pitesky M， Gendreau J， Bond T， et al. Data challenges and practical aspects of machine learning-based statistical methods for the analyses of poultry data to improve food safety and production efficiency[J/OL]. CABI Reviews， 2020，[2024-06-05].https：//www.cabidigitallibrary.org/doi/abs/10.1079/PAVSNNR202015049.

Research Progress and Impact of Knowledge Graph Technology in Poultry Industry

SUN Kai1，2，LI Hao1，YIN Ruoxin1，2

[1.Poultry Research Institute of Shandong Academy of Agricultural Sciences，Jinan 250100，China；2. Shandong Data Open Innovation Application Laboratory（Intelligent farming），

Jinan" 250100，China]

Abstract： This article introduces the basic concepts， construction methods， and applications of knowledge graphs in the poultry industry. As a structured semantic network， knowledge graphs can store rich relational information between entities and are widely used in multiple fields， demonstrating significant practical value in the poultry industry. The article elaborates on the constituent elements of knowledge graphs， introduces the application of graph databases and relational databases in knowledge graph storage， and the main technical processes for constructing knowledge graphs. The specific application of knowledge graphs in the poultry industry was summarized， and the challenges faced in the construction and application of knowledge graphs in the poultry industry were pointed out. To provide reference for the application of knowledge graphs in the poultry industry.

Keywords：" Knowledge graph；Entity relationships；Poultry industry