农业知识图谱研究综述

摘要： 知识图谱是大数据时代下知识工程的关键技术。利用知识图谱强大的语义理解和知识组织能力，可以解决现代化农业建设中农业知识分散无序、知识覆盖范围不足等问题针对农业领域数据复杂、专业性强等特点，给出了农业知识图谱的构建方法与框架；综述了农业知识图谱构建中本体构建、知识抽取、知识融合以及知识推理四个关键技术的国内外研究现状；系统梳理了农业知识图谱在决策支持、智能问答与推荐系统的应用；最后，介绍了几个具体的农业知识图谱实例。根据农业知识图谱的研究现状，对其未来的研究方向进行了展望。 随着农业信息化的推进，农业数据量不断增加，适 逢人类由以数据互联为特征的 Web2.0时代迈入以知识 互联为特征的 Web3.0 时代[1]，如何充分利用农业数据、 挖掘农业知识成了人们亟需解决的难题。 知识图谱的理念起源于语义网[2]，经历了自然语言 处理技术的兴起与本体论的发展，谷歌于 2012 年正式 提出了知识图谱[3]。知识图谱最早是用来辅助搜索引擎 的搜索，以提升用户的搜索体验，后在学术界广泛应 用。如今，作为大数据时代下知识工程的关键技术之 一，知识图谱与以专家系统为代表的传统知识工程相 比，有着以下几点优势：（1）知识可视化，知识图谱可以 采用图形或者网络结构进行可视化，使得知识之间的关 系更加清晰明了。（2）知识推理能力更强，知识图谱能够 建立和发现知识之间的关联性和规律性，从而进行深入 的推理和分析。（3）知识规模更大，现代知识图谱的数据 规模动辄达到百亿级别，具有更加完整的知识储备。 在通用领域，国内外著名的知识图谱有 Freebase[4]、 Yago[5]、Zhishi.me[6]、CN-DBpedia[7]等。由于通用领域知 识图谱技术已经较为成熟，对垂直领域知识图谱的研究 逐渐变得热门起来。目前，知识图谱已经在医学[8-9]、社 交[10]、航空制造[11]、矿井建设[12]等垂直领域取得了不错的 知识管理效果。在这个背景下，农业知识图谱的引入为 农业知识工程的发展带来了新的思路和机遇。它能高 效处理农业数据，挖掘其中的知识，为农业决策提供更全面、准确的支持。农业知识图谱的应用前景广阔，是 当前农业信息化发展的热点和趋势之一。 国内外学者对农业知识图谱的研究已经取得了一 定的成果，如Liu等[13]从作物病虫害的数据特点出发，论 述了作物病虫害知识图谱的产生背景以及关键技术； Min等[14]首次对食品知识图谱进行了综述，并介绍了其 代表性应用；Mol等[15]将农业知识抽取方法分类为基于 规则与基于学习，分别探讨了各种方法的技术特点。纵 观现有的综述文献，学者们大多只关注于农业领域的某 个子领域，鲜有人对农业领域知识图谱进行全面的介 绍。因此，本文会更加强调综合性，文献的收集范围将 涵盖农业的各个领域，并且包括农业知识图谱构建全过 程、全生命周期涉及到的关键技术。此外，由于知识图 谱相关技术正处于高速发展的时期，本文在把握知识图 谱技术发展脉络的同时会致力于对新技术的介绍。 基于 Web of Science 与 CNKI，使用包括但不限于 以下主题词：“agricultural knowledge graph”or“knowledge graph of diseases and pests”or“food knowledge graph”or“construction of agricultural ontology”or“agricultural knowledge extraction”or“agricultural knowledge fusion”or“agricultural knowledge reasoning”，对 2018年 至今的文献进行模糊检索，文献类型选择非综述，并利 用追溯法对已有文献的参考文献进行扩检，共检索出 376篇文献。在对文献进行初步整理后，发现某些文献 更多地涉及生物化学技术而非知识图谱相关技术，还有 些文献使用的技术成熟度不高，这两类文献不被列入参 考范围。经过筛选，本文最终选取了 91 篇代表知识图 谱技术进展的经典文献以及与农业知识图谱相关度较 高的文献进行综述。