Wheat Agronomic Knowledge Extraction and Spatio-Temporal Knowledge Graph Construction

doi:10.3390/app16104776

2026-05-11

PRE

Chunjiang Zhao *

DOI：10.3390/app16104776

原文链接

原文求助

摘要

En 中文

科学准确农艺知识是确保高效小麦生产的关键。中国广阔的农业土地横跨广阔的经纬度范围，农艺实践与小麦生长阶段等时间因素密切相关，因此农艺知识表现出显著的时空变异性。构建小麦生产时空知识图谱可提供多维数据支持，实现更深入的知识服务。小麦农艺知识常呈碎片化、非结构化，高效提取农艺知识文本片段和农艺知识三元组是两大关键挑战。由于农艺知识中属性值占比高且具有显著的生产服务价值，创建了一个属性丰富的农艺知识图谱模式。根据农艺文本特征，提出关键词注意力机制（KAM），并与改进的BERT模型集成用于句子级特征提取，创建了农艺知识文本语料库提取模型AgronomicCorpusExtraction。小麦生产农艺知识具有非标准语法、复杂多层结构、实体表达方式多样和范围广泛等特点，现有提取方法效果不理想。为解决此问题，提出联合提取模型AgronomicTripleExtraction，提取不同短语中的实体、属性和关系：首先联合使用BERT和BiGRU提取长短期特征，通过全局归一化联合建模使用CRF提取属性；然后对同类属性提取的中间特征进行平均池化以分割不同实体。最后创建关系感知的关系特征增强（RAFE）方法，并基于知识图谱模式构建的关系矩阵使用MLP提取关系。通过消融实验评估AgronomicCorpusExtraction有无KAM的性能，以及AgronomicTripleExtraction在四种条件下的性能：包含BiGRU、RAFE和实体分割，不含BiGRU，不含RAFE，不含实体分割。结果显示，使用KAM使F1值提升0.128，AgronomicTripleExtraction在同时使用三模块时，属性、实体和关系提取的F1值分别为0.897、0.875、0.871，移除任一模块会导致性能下降。与近期发表的若干相关最新模型进行了对比实验。

Keyword:

knowledge graph

BERT

agronomy

BiGRU

knowledge extraction

text extraction

keyword attention mechanism