基于深度学习的水产病害可视化知识图谱构建与验证

摘要

知识图谱本质上是基于图的语义网络,表示实体与实体之间的关系,在知识问答、语义检索等领域起着至关重要的作用。针对目前水产病害领域存在实体关系交叉关联、多源异构数据聚合能力差、利用率低、知识共享困难等问题,该研究基于自然语言处理和文本挖掘提出了一个基于神经网络深度学习模型的水产病害专业领域知识图谱构建方法并进行试验验证。首先,构建水产病害专业领域本体,并预定义实体类型、属性和关系的集合,确定知识抽取边界;其次,在本体基础上,分别利用规则方法和深度学习方法对半结构化和非结构化知识进行抽取。对于非结构化知识,提出“水产病害+关系+BMES”文本标注体系,将关系抽取融合于命名实体识别任务中直接对三元组建模,将实体关系抽取转化为序列标注问题,不仅提高标注效率,还实现了实体和关系的联合抽取。同时通过标签匹配和映射对三元组建模获得RDF数据,解决了重叠关系抽取的难题。利用BERT-BiLSTM+CRF端到端模型进行试验,试验结果证明该三元组抽取方法具有较高的召回率(89.64%),准确率(94.04%)和F_(1)值(91.34%),优于CNN+BiLSTM+CRF和BiLSTM+CRF等模型,抽取效果有了显著提升,并将抽取到的知识存储到Neo4j图数据库中,实现知识可视化管理及知识推理分析。该研究构建的水产病害知识图谱精度高、粒度细,能够帮助机器理解数据、解释现象、知识推理,从而发掘深层关系、实现智慧搜索与智能交互。