摘要：隨著大數(shù)據(jù)、人工智能、物聯(lián)網(wǎng)、云計(jì)算等現(xiàn)代信息技術(shù)與農(nóng)業(yè)領(lǐng)域的深度融合，現(xiàn)代農(nóng)業(yè)正朝著智能化方向邁進(jìn). 知識(shí)工程在整合、管理、挖掘和利用農(nóng)業(yè)知識(shí)方面發(fā)揮了至關(guān)重要的作用，為實(shí)現(xiàn)個(gè)性化、精準(zhǔn)化的農(nóng)業(yè)認(rèn)知智能服務(wù)提供了強(qiáng)有力的技術(shù)支持. 探討了當(dāng)前農(nóng)業(yè)知識(shí)工程及認(rèn)知智能服務(wù)面臨的主要挑戰(zhàn)，綜述了國內(nèi)外農(nóng)業(yè)認(rèn)知智能服務(wù)領(lǐng)域的研究現(xiàn)狀，提出了集成數(shù)據(jù)層、算法層和認(rèn)知服務(wù)層的基礎(chǔ)研究框架. 在此基礎(chǔ)上，創(chuàng)新性地設(shè)計(jì)了基于主動(dòng)元學(xué)習(xí)思想，通過軟件智能體與科學(xué)大數(shù)據(jù)雙向偶聯(lián)自指循環(huán)方式完成農(nóng)業(yè)大數(shù)據(jù)整合和知識(shí)建模、知識(shí)抽取、知識(shí)融合以及知識(shí)推理的農(nóng)業(yè)認(rèn)知智能服務(wù)構(gòu)建框架，梳理了各環(huán)節(jié)涉及的關(guān)鍵技術(shù)和服務(wù)應(yīng)用. 最后，對(duì)農(nóng)業(yè)認(rèn)知智能服務(wù)領(lǐng)域的未來發(fā)展趨勢(shì)和對(duì)策建議進(jìn)行總結(jié)與展望.

關(guān)鍵詞：知識(shí)工程，認(rèn)知智能服務(wù)，現(xiàn)代農(nóng)業(yè)，主動(dòng)元學(xué)習(xí)，軟件智能體，農(nóng)業(yè)大數(shù)據(jù)

中圖分類號(hào)：TP399 文獻(xiàn)標(biāo)志碼：A

中國工程院在《中國電子信息工程科技發(fā)展十三大挑戰(zhàn)（2022）》［1］中指出，實(shí)現(xiàn)系統(tǒng)間數(shù)據(jù)、信息、知識(shí)的互聯(lián)互通將越來越重要. 趙春江［2］針對(duì)智慧農(nóng)業(yè)的發(fā)展問題，強(qiáng)調(diào)了農(nóng)業(yè)知識(shí)圖譜構(gòu)建和農(nóng)業(yè)大數(shù)據(jù)云服務(wù)等關(guān)鍵核心技術(shù)的重要性. 基于人工智能技術(shù)的認(rèn)知智能服務(wù)旨在通過模擬和擴(kuò)展人類的感知、理解和推理能力，完成大規(guī)模復(fù)雜信息的處理和應(yīng)用任務(wù). 目前，現(xiàn)代農(nóng)業(yè)正通過大數(shù)據(jù)、人工智能、物聯(lián)網(wǎng)等信息技術(shù)與農(nóng)業(yè)的深度融合，向智能化方向邁進(jìn). 在發(fā)展進(jìn)程中，認(rèn)知智能服務(wù)起著關(guān)鍵作用，它幫助整合、管理和利用農(nóng)業(yè)數(shù)據(jù)，并完成農(nóng)業(yè)知識(shí)的挖掘和應(yīng)用，為實(shí)現(xiàn)個(gè)性化、精準(zhǔn)化的農(nóng)業(yè)智能服務(wù)提供技術(shù)支撐.

盡管認(rèn)知智能服務(wù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用已經(jīng)取得突出進(jìn)展，但仍面臨以下挑戰(zhàn).

（1）農(nóng)業(yè)大數(shù)據(jù)整合難. 隨著多傳感器、物聯(lián)網(wǎng)技術(shù)的發(fā)展，農(nóng)業(yè)數(shù)據(jù)的獲取變得更加全面和多樣化. 然而，這些數(shù)據(jù)往往以不同的格式和標(biāo)準(zhǔn)進(jìn)行存儲(chǔ)，導(dǎo)致農(nóng)業(yè)大數(shù)據(jù)呈現(xiàn)多模態(tài)和不一致的特性. 此外，農(nóng)業(yè)數(shù)據(jù)涉及多個(gè)數(shù)據(jù)持有者和機(jī)構(gòu)，這些農(nóng)業(yè)數(shù)據(jù)庫通常只關(guān)注某個(gè)農(nóng)業(yè)任務(wù)或領(lǐng)域問題，忽略了數(shù)據(jù)之間的互聯(lián)互通，進(jìn)一步導(dǎo)致了“數(shù)據(jù)孤島”現(xiàn)象，使許多極其有價(jià)值的領(lǐng)域知識(shí)難以被挖掘和應(yīng)用. 因此，應(yīng)用有效的數(shù)據(jù)和知識(shí)整合技術(shù)成為實(shí)現(xiàn)農(nóng)業(yè)領(lǐng)域知識(shí)共享、互通的重要解決方法，能為農(nóng)業(yè)智能認(rèn)知服務(wù)提供更加全面可靠的數(shù)據(jù)基礎(chǔ)和知識(shí)支撐.

（2）農(nóng)業(yè)知識(shí)抽取難. 農(nóng)業(yè)大數(shù)據(jù)具有多模態(tài)、時(shí)空性和因果性的特點(diǎn)，為農(nóng)業(yè)知識(shí)抽取、管理和查詢帶來了一系列挑戰(zhàn). 海量的文本、圖像和結(jié)構(gòu)化的多模態(tài)農(nóng)業(yè)數(shù)據(jù)增加了知識(shí)抽取的復(fù)雜性和難度，進(jìn)一步影響了知識(shí)抽取精度. 此外，農(nóng)業(yè)時(shí)空數(shù)據(jù)管理涉及大量時(shí)間序列數(shù)據(jù)和地理空間數(shù)據(jù)的存儲(chǔ)、索引和查詢操作，時(shí)間序列數(shù)據(jù)的連續(xù)性和空間數(shù)據(jù)的復(fù)雜性使得高效地管理大規(guī)模的農(nóng)業(yè)時(shí)空數(shù)據(jù)變得困難. 作為農(nóng)業(yè)知識(shí)決策的重要組成部分，基于因果關(guān)系的查詢和分析任務(wù)面臨復(fù)雜數(shù)據(jù)關(guān)聯(lián)和計(jì)算的難題. 因此，開發(fā)適應(yīng)不同數(shù)據(jù)類型的知識(shí)抽取和管理方法，從多模態(tài)農(nóng)業(yè)數(shù)據(jù)中提取有價(jià)值的農(nóng)業(yè)知識(shí)，并有效地提高農(nóng)業(yè)知識(shí)的應(yīng)用效率和決策支持能力成為當(dāng)前亟待解決的問題.

（3）農(nóng)業(yè)知識(shí)決策服務(wù)少. 在現(xiàn)代農(nóng)業(yè)向智慧農(nóng)業(yè)轉(zhuǎn)型的背景下，從主觀的經(jīng)驗(yàn)判斷向智能化、精準(zhǔn)化決策過渡是一個(gè)至關(guān)重要的研究方向. 中國農(nóng)業(yè)生產(chǎn)受多方面因素的影響，包括種植條件、種植品種、農(nóng)藝發(fā)展以及生理生化機(jī)理等，由于這些因素的復(fù)雜性，準(zhǔn)確地為農(nóng)業(yè)生產(chǎn)作出決策指導(dǎo)相對(duì)困難. 因此，構(gòu)建有機(jī)統(tǒng)一的農(nóng)業(yè)知識(shí)決策服務(wù)體系，完成全生命周期農(nóng)業(yè)生產(chǎn)數(shù)據(jù)的收集、整合和分析，農(nóng)業(yè)知識(shí)決策服務(wù)的設(shè)計(jì)、開發(fā)和應(yīng)用，確保農(nóng)業(yè)數(shù)據(jù)和知識(shí)的完整性、一致性和可靠性，成為推動(dòng)農(nóng)業(yè)生產(chǎn)向智能化、高效化和可持續(xù)化方向發(fā)展的關(guān)鍵.

為了解決上述問題與挑戰(zhàn)，提出一個(gè)集數(shù)據(jù)層、算法層和認(rèn)知服務(wù)層的基礎(chǔ)研究框架，為后續(xù)農(nóng)業(yè)認(rèn)知智能服務(wù)的研究提供新思路，并在此基礎(chǔ)上，設(shè)計(jì)構(gòu)建了基于主動(dòng)元學(xué)習(xí)的農(nóng)業(yè)認(rèn)知智能服務(wù)方法框架，包括農(nóng)業(yè)數(shù)據(jù)整合與知識(shí)建模、農(nóng)業(yè)知識(shí)抽取、農(nóng)業(yè)知識(shí)融合以及農(nóng)業(yè)知識(shí)推理與服務(wù)等關(guān)鍵技術(shù)，旨在實(shí)現(xiàn)農(nóng)業(yè)的智能化和可持續(xù)化發(fā)展.

1 農(nóng)業(yè)認(rèn)知智能服務(wù)相關(guān)工作

1. 1 農(nóng)業(yè)數(shù)據(jù)整合 澳大利亞莫納什大學(xué)針對(duì)科學(xué)數(shù)據(jù)的管理提出三個(gè)挑戰(zhàn)：如何管理異質(zhì)異構(gòu)的多源數(shù)據(jù)、如何為元數(shù)據(jù)提供上下文支持以及如何適應(yīng)不斷發(fā)展和演變的數(shù)據(jù)與知識(shí)［3］. 現(xiàn)階段的農(nóng)業(yè)資源可分為兩類：一類是經(jīng)專家和學(xué)者整合后，以概念、實(shí)體為主的靜態(tài)資源；另一類是涉及動(dòng)態(tài)變化和資源間交互協(xié)作的動(dòng)態(tài)資源.對(duì)于靜態(tài)農(nóng)業(yè)資源，可通過構(gòu)建符合ISO/IEC11179 元數(shù)據(jù)注冊(cè)系列標(biāo)準(zhǔn)［4］的元模型進(jìn)行注冊(cè)和管理. 對(duì)于動(dòng)態(tài)農(nóng)業(yè)資源，可通過構(gòu)建語義更加豐富的本體結(jié)合ISO/IEC 19763［5］元模型互操作性框架進(jìn)行有效地注冊(cè)和管理.

農(nóng)業(yè)生物數(shù)據(jù)庫在現(xiàn)代農(nóng)業(yè)研究中扮演著至關(guān)重要的角色，它的建立和應(yīng)用是整合、存儲(chǔ)海量數(shù)據(jù)不可或缺的工具. 油菜是我國具有重要經(jīng)濟(jì)價(jià)值的油料作物，為了解決油菜作物組學(xué)數(shù)據(jù)整合問題，華中農(nóng)業(yè)大學(xué)構(gòu)建了甘藍(lán)型油菜泛基因組數(shù)據(jù)庫BnPIR［6］、油菜轉(zhuǎn)錄信息資源數(shù)據(jù)庫BnTIR［7］、甘藍(lán)型油菜變異信息資源數(shù)據(jù)庫BnVIR［8］以及油菜多組學(xué)數(shù)據(jù)庫BnIR［9］等系列數(shù)據(jù)庫，為油菜組學(xué)數(shù)據(jù)分析提供了系統(tǒng)、完整的平臺(tái). 棉花是天然纖維作物和重要戰(zhàn)略物資，關(guān)乎國計(jì)民生. 國內(nèi)多所院校構(gòu)建了CottonMD［10］，COTTONOMICS［11］等多個(gè)棉花組學(xué)大數(shù)據(jù)平臺(tái). 現(xiàn)有的棉花大數(shù)據(jù)庫集多組學(xué)數(shù)據(jù)分析模塊和在線生物學(xué)工具于一體，提供了多種搜索模式，為研究人員提供重要的研究參考. 豬、牛、羊和雞等畜牧類動(dòng)物在全球農(nóng)業(yè)中扮演著不可替代的重要角色，目前建立了一系列知識(shí)庫來支持農(nóng)業(yè)相關(guān)研究，包括跨物種多組學(xué)知識(shí)庫IAnimal［12］、反芻動(dòng)物基因組數(shù)據(jù)庫RGD［13］、動(dòng)物變異數(shù)據(jù)庫（BGVD［14］，GGVD［15］，Galbase［16］）和動(dòng)物泛基因組數(shù)據(jù)庫（PIGPAN［17］，GOATPAN［18］）等，提升了組學(xué)大數(shù)據(jù)的復(fù)用性，為大數(shù)據(jù)驅(qū)動(dòng)的動(dòng)物智能育種奠定了基礎(chǔ).

1. 2 農(nóng)業(yè)知識(shí)整合 隨著異質(zhì)異構(gòu)農(nóng)業(yè)數(shù)據(jù)的激增，迫切需要將農(nóng)業(yè)信息資源轉(zhuǎn)化為知識(shí)，并抽取內(nèi)涵豐富的語義信息，以反哺產(chǎn)業(yè)任務(wù)，支持農(nóng)業(yè)應(yīng)用場(chǎng)景下的精準(zhǔn)決策任務(wù).

語義技術(shù)支持Web 上的數(shù)據(jù)和知識(shí)交互. 本體語言如OWL，RDF Schema 等，具有豐富的概念內(nèi)涵和外延表現(xiàn)，同時(shí)也具備嚴(yán)格邏輯定義的語義語法［18］，這些特質(zhì)使其成為理想的概念模型，為構(gòu)建靈活的農(nóng)業(yè)知識(shí)數(shù)據(jù)管理系統(tǒng)［3］提供了基礎(chǔ)，有助于更好地理解多源異構(gòu)農(nóng)業(yè)數(shù)據(jù)信息之間的互聯(lián)性和實(shí)用性. 本體技術(shù)可用于農(nóng)業(yè)領(lǐng)域多源異構(gòu)的大數(shù)據(jù)管理與維護(hù)，解決復(fù)雜域的建模與知識(shí)整合問題. 在該理論基礎(chǔ)的指導(dǎo)下，瓦赫寧根大學(xué)構(gòu)建了面向馬鈴薯生產(chǎn)環(huán)境的馬鈴薯本體，用于馬鈴薯產(chǎn)業(yè)的自動(dòng)化決策支持系統(tǒng)和數(shù)據(jù)交換任務(wù)［19］. 加拿大阿爾伯塔大學(xué)構(gòu)建了描述魚菜共生系統(tǒng)的本體模型，以支持魚菜共生農(nóng)場(chǎng)的生產(chǎn)設(shè)施布局和系統(tǒng)設(shè)計(jì)［20］. AGROVOC［21］是結(jié)構(gòu)化的多語種農(nóng)業(yè)詞庫，涵蓋了作物育種、林業(yè)多個(gè)農(nóng)業(yè)強(qiáng)相關(guān)領(lǐng)域. 法國國家農(nóng)業(yè)食品與環(huán)境研究院基于農(nóng)作物和微生物本體，建立了微生物細(xì)菌和宿主關(guān)系專屬語料庫，實(shí)現(xiàn)了從非結(jié)構(gòu)化科學(xué)文獻(xiàn)中抽取數(shù)據(jù)的任務(wù)［22］. 西南大學(xué)為柑橘種植構(gòu)建了一個(gè)柑橘栽培本體，并結(jié)合貝葉斯網(wǎng)絡(luò)做了擴(kuò)展，根據(jù)柑橘疾病癥狀進(jìn)行分類，實(shí)現(xiàn)了不同條件下的施肥決策［23］. 宗南蘇等［24］構(gòu)建了農(nóng)業(yè)生產(chǎn)技術(shù)領(lǐng)域的農(nóng)業(yè)生產(chǎn)技術(shù)本體. 中國科學(xué)院智能機(jī)械研究所通過抽取豬生產(chǎn)學(xué)領(lǐng)域的核心概念，構(gòu)建了豬生產(chǎn)學(xué)本體［25］.

1. 3 農(nóng)業(yè)知識(shí)服務(wù) 現(xiàn)階段農(nóng)業(yè)領(lǐng)域知識(shí)的碎片化現(xiàn)象嚴(yán)重，缺乏面向農(nóng)業(yè)大數(shù)據(jù)知識(shí)化的語料庫，難以利用“ 知識(shí)賦能”“ 提質(zhì)增效”［26］. 在語義技術(shù)的基礎(chǔ)上，知識(shí)圖譜方法擴(kuò)展了推理與發(fā)現(xiàn)新知識(shí)的能力.

農(nóng)業(yè)知識(shí)圖譜的構(gòu)建及應(yīng)用在國內(nèi)外已經(jīng)引起了廣泛重視. 歐洲波蘭波茲南超級(jí)計(jì)算與網(wǎng)絡(luò)中心實(shí)驗(yàn)室構(gòu)建了FOODIE 農(nóng)業(yè)知識(shí)圖譜［27］，美國Bayer Corporation 提出了多源知識(shí)圖譜［28］.Hassani ? Pak et al［29］設(shè)計(jì)的基因網(wǎng)絡(luò)平臺(tái)Knet?Miner 整合了大量的農(nóng)業(yè)原始數(shù)據(jù)集和文獻(xiàn)數(shù)據(jù)，將查詢信息以知識(shí)子圖的形式進(jìn)行可視化展示. 法國蒙彼利埃大學(xué)研制的農(nóng)業(yè)知識(shí)圖譜AgroLD 大數(shù)據(jù)管理平臺(tái)利用GO 和PO 等作物本體整合了多個(gè)公共數(shù)據(jù)庫中的數(shù)據(jù)［30］. 國內(nèi)北京農(nóng)業(yè)信息技術(shù)研究中心牽頭研制了全息知識(shí)圖譜庫［31］. 中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所構(gòu)建了農(nóng)作物病蟲害和水稻知識(shí)圖譜［32］. 南京農(nóng)業(yè)大學(xué)提出了一個(gè)基于知識(shí)圖譜和案例推理的水稻精準(zhǔn)施肥模型，其使用案例推理技術(shù)對(duì)傳統(tǒng)的知識(shí)圖譜推薦方法進(jìn)行補(bǔ)充，為農(nóng)藝事件提供了較為完整的施肥方案［33］.

2 農(nóng)業(yè)認(rèn)知智能服務(wù)構(gòu)建框架及創(chuàng)新性解決方法

2. 1 農(nóng)業(yè)認(rèn)知智能服務(wù)研究框架 本文基于農(nóng)業(yè)數(shù)據(jù)的全生命周期，提出一個(gè)集成數(shù)據(jù)層、算法層和認(rèn)知服務(wù)層的農(nóng)業(yè)認(rèn)知智能服務(wù)基礎(chǔ)研究框架，以推動(dòng)農(nóng)業(yè)領(lǐng)域的知識(shí)管理和智能化決策支持服務(wù)的發(fā)展，如圖1 所示.

數(shù)據(jù)驅(qū)動(dòng)是現(xiàn)代農(nóng)業(yè)的重要趨勢(shì)和特征，其通過全面分析和利用數(shù)據(jù)來幫助農(nóng)業(yè)從業(yè)者作出更明智的決策和管理. 數(shù)據(jù)層作為數(shù)據(jù)驅(qū)動(dòng)的基礎(chǔ)架構(gòu)，在農(nóng)業(yè)的數(shù)字化轉(zhuǎn)型和智能化發(fā)展中發(fā)揮關(guān)鍵作用. 數(shù)據(jù)層涵蓋了來自農(nóng)業(yè)信息采集系統(tǒng)的農(nóng)業(yè)多源異構(gòu)數(shù)據(jù)，包括傳感器數(shù)據(jù)、遙感數(shù)據(jù)、氣象數(shù)據(jù)等. 這些數(shù)據(jù)具有多模態(tài)的特性，以結(jié)構(gòu)化數(shù)據(jù)、文本、圖像等多媒體形式呈現(xiàn)，并且蘊(yùn)含了豐富的農(nóng)業(yè)領(lǐng)域知識(shí)，為農(nóng)業(yè)知識(shí)的整合和應(yīng)用服務(wù)提供強(qiáng)有力的數(shù)據(jù)支撐.

算法層旨在綜合運(yùn)用知識(shí)建模、知識(shí)抽取、知識(shí)融合和知識(shí)推理等關(guān)鍵技術(shù)和算法來構(gòu)建和組織農(nóng)業(yè)知識(shí)體系，從而為多場(chǎng)景的農(nóng)業(yè)智能決策服務(wù)提供全面可靠的知識(shí)支撐. 具體地，首先通過構(gòu)建農(nóng)業(yè)相關(guān)領(lǐng)域本體系統(tǒng)化地組織和表示農(nóng)業(yè)數(shù)據(jù)相關(guān)的概念、屬性及關(guān)系，并建立層次結(jié)構(gòu)和約束. 在此基礎(chǔ)上，基于預(yù)先構(gòu)建的農(nóng)業(yè)本體模型，利用自然語言處理技術(shù)、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法，從文本、結(jié)構(gòu)化數(shù)據(jù)源等多模態(tài)農(nóng)業(yè)數(shù)據(jù)中，通過實(shí)體識(shí)別、關(guān)系識(shí)別、語義建模等操作抽取領(lǐng)域知識(shí)，以便在知識(shí)圖譜中準(zhǔn)確地表示. 為了解決不同知識(shí)源之間的沖突、重疊或不一致性問題，通過采用實(shí)體消歧、關(guān)系合并等技術(shù)，將知識(shí)整合到更完整、一致和準(zhǔn)確的知識(shí)圖譜中，以支持更全面的知識(shí)表示和應(yīng)用. 進(jìn)一步地，根據(jù)知識(shí)圖譜中定義的規(guī)則和關(guān)系可以推導(dǎo)出新的知識(shí)、關(guān)聯(lián)或結(jié)論，以擴(kuò)展和豐富知識(shí)圖譜，發(fā)現(xiàn)隱藏的模式，從而支持更高層次的知識(shí)發(fā)現(xiàn)和智能決策服務(wù).

認(rèn)知服務(wù)層利用知識(shí)圖譜提供的結(jié)構(gòu)化和語義化的農(nóng)業(yè)數(shù)據(jù)和領(lǐng)域知識(shí)，應(yīng)用數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)等技術(shù)對(duì)農(nóng)業(yè)數(shù)據(jù)深入分析和推理，為用戶提供針對(duì)性的功能和智能決策支持，如畜情精準(zhǔn)決策、農(nóng)業(yè)功能微生物精準(zhǔn)預(yù)測(cè)等服務(wù)，幫助農(nóng)業(yè)從業(yè)者實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)的智能化、高效化和可持續(xù)發(fā)展.

2. 2 基于主動(dòng)元學(xué)習(xí)的農(nóng)業(yè)認(rèn)知智能服務(wù)構(gòu)建框架 針對(duì)獲取的大量農(nóng)業(yè)多模態(tài)數(shù)據(jù)，本文在集數(shù)據(jù)層、算法層和認(rèn)知服務(wù)層的研究框架基礎(chǔ)上，基于主動(dòng)元學(xué)習(xí)理論指導(dǎo)，以軟件智能體與科學(xué)大數(shù)據(jù)雙向偶聯(lián)自指循環(huán)的方式完成對(duì)農(nóng)業(yè)大數(shù)據(jù)的知識(shí)建模、知識(shí)抽取、知識(shí)融合和知識(shí)推理，進(jìn)而構(gòu)建農(nóng)業(yè)知識(shí)圖譜，如圖2 所示. 由此實(shí)現(xiàn)對(duì)農(nóng)業(yè)數(shù)據(jù)更加全面、準(zhǔn)確地分析和知識(shí)挖掘.

此方法框架主要由農(nóng)業(yè)數(shù)據(jù)整合分系統(tǒng)（Agricultural Data Integration Subsystem，記為DI）、強(qiáng)化學(xué)習(xí)智能提問分系統(tǒng)（ReinforcementLearning Intelligent Questioning Subsystem，記為QG）、智能問答分系統(tǒng)（Intelligent QA Subsystem，記為QA）、知識(shí)圖譜更新分系統(tǒng)（KnowledgeGraph Updating Subsystem，記為KGU）和知識(shí)服務(wù)分系統(tǒng)（Knowledge Service Subsystem，記為IS）五個(gè)主要組件組成. 其中，DI 分系統(tǒng)旨在實(shí)現(xiàn)對(duì)多源異構(gòu)農(nóng)業(yè)數(shù)據(jù)的清洗、轉(zhuǎn)換、匹配和數(shù)據(jù)存儲(chǔ)目標(biāo)，通過結(jié)合基于MDR（ Metadata Registry）與MFI （Metamodel Framework for Interoperability）的混合架構(gòu)，進(jìn)一步強(qiáng)化數(shù)據(jù)治理中的語義互操作性. KGU 分系統(tǒng)承擔(dān)知識(shí)建模的任務(wù)，其通過抽象表示經(jīng)過DI 分系統(tǒng)處理后的數(shù)據(jù)中的實(shí)體、關(guān)系和屬性，實(shí)現(xiàn)從數(shù)據(jù)到知識(shí)的轉(zhuǎn)化目標(biāo)，為后續(xù)的知識(shí)推理提供知識(shí)基礎(chǔ). 此外，KGU 分系統(tǒng)還利用農(nóng)業(yè)領(lǐng)域問答進(jìn)行知識(shí)抽取和知識(shí)融合，以初步構(gòu)建農(nóng)業(yè)知識(shí)圖譜. 在該過程中，QG 分系統(tǒng)利用獎(jiǎng)勵(lì)機(jī)制進(jìn)行持續(xù)學(xué)習(xí)，以主動(dòng)提出與農(nóng)業(yè)數(shù)據(jù)信息相關(guān)的問題，引導(dǎo)系統(tǒng)更深入地分析特定領(lǐng)域的數(shù)據(jù). QA 分系統(tǒng)根據(jù)QG 分系統(tǒng)生成的問題，利用自然語言處理技術(shù)，從輸入的農(nóng)業(yè)信息中檢索并生成相應(yīng)的答案，將計(jì)算機(jī)理解的知識(shí)轉(zhuǎn)化為用戶友好的自然語言響應(yīng)，以滿足用戶的查詢需求. 最后，知識(shí)推理模塊在IS 分系統(tǒng)中利用現(xiàn)有的事實(shí)和關(guān)系推導(dǎo)出未知的農(nóng)業(yè)知識(shí)和結(jié)論，以擴(kuò)展和豐富農(nóng)業(yè)知識(shí)圖譜的應(yīng)用能力，為用戶提供更全面、準(zhǔn)確的知識(shí)服務(wù). 各分系統(tǒng)產(chǎn)生的反饋結(jié)果則作為獎(jiǎng)勵(lì)，不斷優(yōu)化QG 分系統(tǒng)，進(jìn)一步迭代更新方法框架，以實(shí)現(xiàn)知識(shí)圖譜的有效構(gòu)建、更新和應(yīng)用. 這些分系統(tǒng)協(xié)同工作，為智能農(nóng)業(yè)提供全面的數(shù)據(jù)管理、知識(shí)構(gòu)建、問題生成與回答以及知識(shí)推理的功能支持. 上述組件協(xié)同工作，以實(shí)現(xiàn)農(nóng)業(yè)知識(shí)工程的五個(gè)關(guān)鍵任務(wù)：農(nóng)業(yè)數(shù)據(jù)整合、農(nóng)業(yè)知識(shí)建模、農(nóng)業(yè)知識(shí)抽取、農(nóng)業(yè)知識(shí)融合和農(nóng)業(yè)知識(shí)推理.

2. 2. 1 農(nóng)業(yè)數(shù)據(jù)整合與知識(shí)建模 農(nóng)業(yè)數(shù)據(jù)整合是一個(gè)通過收集、組織和標(biāo)準(zhǔn)化不同數(shù)據(jù)源和格式的農(nóng)業(yè)數(shù)據(jù)，將其整合到統(tǒng)一框架，以便進(jìn)行綜合分析和應(yīng)用的任務(wù).

DI 分系統(tǒng)組件的作用是在此階段對(duì)多源異構(gòu)的農(nóng)業(yè)數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)匹配和數(shù)據(jù)存儲(chǔ). 該組件采用基于MDR 與MFI 混合式架構(gòu)的共享元數(shù)據(jù)匯聚與融合方法以解決不同子域共享難的問題，進(jìn)而加強(qiáng)對(duì)數(shù)據(jù)治理中語義互操作性的管理. 針對(duì)獲取的異構(gòu)數(shù)據(jù)源，首先基于MDR 的元數(shù)據(jù)規(guī)范，對(duì)農(nóng)業(yè)子域元數(shù)據(jù)進(jìn)行語義層抽取，構(gòu)建共享域元數(shù)據(jù)；然后，基于MDR 分別對(duì)共享域元數(shù)據(jù)和子域元數(shù)據(jù)進(jìn)行注冊(cè)；最終，在完成基于MDR 的元數(shù)據(jù)注冊(cè)后，建立基于MFI 的共享域元數(shù)據(jù)注冊(cè)表到子域元數(shù)據(jù)注冊(cè)表的映射注冊(cè)，在元級(jí)上保證信息資源語法、語義和上下文層上的互操作性，以進(jìn)一步實(shí)現(xiàn)農(nóng)業(yè)領(lǐng)域不同子域間數(shù)據(jù)共享的目標(biāo)［34］.

農(nóng)業(yè)知識(shí)建模即農(nóng)業(yè)本體知識(shí)建模，旨在通過定義概念、屬性和關(guān)系構(gòu)建農(nóng)業(yè)本體模型，為農(nóng)業(yè)領(lǐng)域知識(shí)和概念提供一個(gè)系統(tǒng)、規(guī)范、標(biāo)準(zhǔn)的組織方式［35］. 農(nóng)業(yè)本體模型是通過運(yùn)用農(nóng)業(yè)科學(xué)敘詞表、農(nóng)業(yè)專業(yè)詞典等農(nóng)業(yè)知識(shí)組織體系，并輔以人工參與構(gòu)建的［36］. 農(nóng)業(yè)本體模型在DI 分系統(tǒng)組件中發(fā)揮關(guān)鍵作用，用于輔助系統(tǒng)理解和處理不同數(shù)據(jù)源中的冗余信息. 此外，通過將農(nóng)業(yè)本體模型作為元數(shù)據(jù)注冊(cè)的分類模板和樣本，建立領(lǐng)域內(nèi)本體模型和共享域元數(shù)據(jù)的映射，使得在MDR 和MFI 混合架構(gòu)下的數(shù)據(jù)能更好地被組織、管理.

在完成農(nóng)業(yè)數(shù)據(jù)整合后，進(jìn)一步通過KGU分系統(tǒng)中的知識(shí)建模模塊實(shí)現(xiàn)對(duì)數(shù)據(jù)中實(shí)體、關(guān)系和屬性的抽象表示，以提供一種計(jì)算機(jī)可理解和處理的方式組織和管理農(nóng)業(yè)領(lǐng)域知識(shí). 但傳統(tǒng)的農(nóng)業(yè)本體構(gòu)建通常僅從特定的領(lǐng)域或數(shù)據(jù)源中抽取農(nóng)業(yè)本體信息，具有領(lǐng)域局限性. 在跨領(lǐng)域數(shù)據(jù)集成的任務(wù)場(chǎng)景中，基于單一領(lǐng)域抽取得到的農(nóng)業(yè)本體模型無法全面涵蓋農(nóng)業(yè)領(lǐng)域相關(guān)信息，影響跨本體數(shù)據(jù)和知識(shí)的交流與共享，導(dǎo)致數(shù)據(jù)與知識(shí)分布零散.

為了克服上述問題，提出一種面向農(nóng)業(yè)生物大數(shù)據(jù)的公共鏈接本體方法論［37］，其核心思想是將特定領(lǐng)域相關(guān)的多個(gè)現(xiàn)有本體整合為統(tǒng)一的公共鏈接本體，以實(shí)現(xiàn)不同領(lǐng)域之間的信息鏈接.本體對(duì)齊通過匹配和映射不同本體之間的概念、屬性和關(guān)系，建立本體之間的關(guān)聯(lián)，以實(shí)現(xiàn)跨領(lǐng)域農(nóng)業(yè)數(shù)據(jù)的互操作和集成目標(biāo). 基于語義和結(jié)構(gòu)嵌入的本體對(duì)齊方法，利用Siamese 神經(jīng)網(wǎng)絡(luò)語言模型和圖卷積網(wǎng)絡(luò)［38］，從語義和結(jié)構(gòu)兩個(gè)角度更好地捕捉本體之間的語義關(guān)聯(lián)性和結(jié)構(gòu)相似性［39］，并進(jìn)一步通過結(jié)合門機(jī)制和相似度計(jì)算對(duì)輸入本體執(zhí)行高效的對(duì)齊操作［40］. 針對(duì)水稻性狀缺乏統(tǒng)一和規(guī)范的描述標(biāo)準(zhǔn)的問題，目前已通過對(duì)齊TO，WTO 和unRiceGene 三個(gè)已有的水稻性狀術(shù)語集，手動(dòng)構(gòu)建了包含2522 個(gè)水稻性狀術(shù)語的水稻性狀本體. 該本體規(guī)范了水稻育種研究中常用的性狀概念術(shù)語，為后續(xù)水稻性狀知識(shí)的自動(dòng)挖掘提供了潛在的可能性.

2. 2. 2 農(nóng)業(yè)知識(shí)抽取 農(nóng)業(yè)知識(shí)抽取的目標(biāo)是利用信息抽取技術(shù)，從多源、多模態(tài)的農(nóng)業(yè)大數(shù)據(jù)中識(shí)別和提取相關(guān)實(shí)體、關(guān)系和屬性等知識(shí)，以構(gòu)建生成大規(guī)模的農(nóng)業(yè)知識(shí)圖譜. 在農(nóng)業(yè)領(lǐng)域研究背景下，知識(shí)抽取任務(wù)往往面臨知識(shí)庫構(gòu)建成本高和低資源場(chǎng)景下知識(shí)獲取難兩個(gè)主要挑戰(zhàn).

結(jié)構(gòu)化實(shí)驗(yàn)數(shù)據(jù)和文獻(xiàn)數(shù)據(jù)被視為當(dāng)前農(nóng)業(yè)領(lǐng)域知識(shí)的主要來源. 為此，針對(duì)結(jié)構(gòu)化實(shí)驗(yàn)數(shù)據(jù)，設(shè)計(jì)并利用農(nóng)業(yè)領(lǐng)域本體指導(dǎo)下的自動(dòng)語義建模技術(shù)來挖掘數(shù)據(jù)源中潛在的語義信息并生成相應(yīng)的語義模型，以支持將數(shù)據(jù)自動(dòng)發(fā)布到知識(shí)圖譜的目標(biāo)實(shí)現(xiàn). 基于機(jī)器學(xué)習(xí)的自動(dòng)化知識(shí)抽取方法在知識(shí)圖譜的輔助下，應(yīng)用斯坦納樹算法并結(jié)合圖匹配算法和改進(jìn)的頻繁子圖挖掘算法，實(shí)現(xiàn)了準(zhǔn)確捕獲結(jié)構(gòu)化實(shí)驗(yàn)數(shù)據(jù)中正確的語義知識(shí)的目標(biāo)［41］. 在缺乏額外知識(shí)庫輔助的情況下，跨模態(tài)檢索模型為實(shí)現(xiàn)結(jié)構(gòu)化實(shí)驗(yàn)數(shù)據(jù)的自動(dòng)語義抽取提供了新思路［42］. 此方法基于增量式搜索和跨模態(tài)檢索思想，以一種端到端的方式，通過探索兩種模態(tài)信息之間的語義關(guān)系為數(shù)據(jù)源生成正確可靠的語義模型. 當(dāng)結(jié)構(gòu)化實(shí)驗(yàn)數(shù)據(jù)發(fā)生更新（如屬性增加或刪除）時(shí)，將其作為新數(shù)據(jù)源重新執(zhí)行語義建模操作會(huì)影響知識(shí)抽取的效率. 基于動(dòng)態(tài)斯坦納樹算法和自定義規(guī)則的更新方法通過適應(yīng)數(shù)據(jù)結(jié)構(gòu)的動(dòng)態(tài)變化，自動(dòng)更新語義模型，以解決動(dòng)態(tài)知識(shí)抽取的問題［43］.

在面向文獻(xiàn)數(shù)據(jù)的知識(shí)抽取任務(wù)中，半監(jiān)督學(xué)習(xí)和元學(xué)習(xí)被廣泛認(rèn)為是解決語料庫稀缺的兩種主要思路. 然而，現(xiàn)有的半監(jiān)督方法依賴于一組手工定義的規(guī)則或在少量標(biāo)記數(shù)據(jù)上訓(xùn)練的分類器，即前者需要大量的人工知識(shí)參與，后者受限于標(biāo)記數(shù)據(jù)的數(shù)量和質(zhì)量. 為了克服上述問題，提出了基于交互式詞匯和語義圖的半監(jiān)督關(guān)系抽取方法［44］. 此方法僅通過定義并利用實(shí)體和實(shí)體類型規(guī)則與實(shí)體間動(dòng)詞規(guī)則來構(gòu)建連接標(biāo)記樣本和未標(biāo)記樣本的詞匯圖和語義圖，實(shí)現(xiàn)從標(biāo)記樣本到無標(biāo)記樣本的知識(shí)傳輸，從而提高知識(shí)抽取的能力. 在段落甚至文檔級(jí)別的知識(shí)抽取任務(wù)場(chǎng)景中，基于多教師對(duì)抗蒸餾的半監(jiān)督關(guān)系抽取方法以一種精細(xì)化的方式來捕獲未標(biāo)記數(shù)據(jù)上的事實(shí)知識(shí)，并在一定程度上取得了有效的結(jié)果［45］.

在實(shí)際知識(shí)抽取中，特定于任務(wù)的標(biāo)記樣本往往分布不均勻且存在新的不可見的類別. 因此，在主動(dòng)元學(xué)習(xí)思想的指導(dǎo)下，根據(jù)給定的文本段，基于獎(jiǎng)勵(lì)機(jī)制的QG 分系統(tǒng)通過持續(xù)學(xué)習(xí)，主動(dòng)提出與特定文本相關(guān)的問題；同時(shí)，QA 分系統(tǒng)根據(jù)生成的問題，利用自然語言處理技術(shù)，從輸入的農(nóng)業(yè)信息中檢索生成相應(yīng)的答案，以獲得濃縮大量非結(jié)構(gòu)化文本的問答對(duì).

綜上所述，基于元學(xué)習(xí)思想的知識(shí)抽取方法通過利用句子級(jí)關(guān)系提取和跨文檔領(lǐng)域知識(shí)挖掘策略，克服了目前文檔級(jí)關(guān)系提取模型所面臨的限制，實(shí)現(xiàn)了從小樣本文獻(xiàn)數(shù)據(jù)中抽取準(zhǔn)確可靠知識(shí)的目標(biāo)［46］.

2. 2. 3 農(nóng)業(yè)知識(shí)融合 KGU 分系統(tǒng)的作用是通過農(nóng)業(yè)知識(shí)融合任務(wù)來解決農(nóng)業(yè)知識(shí)圖譜的異構(gòu)性問題，具體涉及對(duì)異構(gòu)農(nóng)業(yè)知識(shí)源的對(duì)齊和合并工作. 實(shí)體對(duì)齊即實(shí)體消歧，其通過匹配和對(duì)齊異構(gòu)知識(shí)源中同一對(duì)象的不同實(shí)體表示形式或變體來消除冗余的實(shí)體，實(shí)現(xiàn)知識(shí)融合. 早期的實(shí)體對(duì)齊系統(tǒng)利用邏輯推理和詞法匹配等技術(shù)構(gòu)建實(shí)體映射，嚴(yán)重依賴于特定的啟發(fā)式方法［47］.現(xiàn)有方法則通過學(xué)習(xí)待對(duì)齊知識(shí)源的嵌入表示來緩解知識(shí)圖譜的異構(gòu)性問題［48］. Yao et al［49］提出一種基于層次圖注意網(wǎng)絡(luò)，結(jié)合自注意機(jī)制和圖注意網(wǎng)絡(luò)機(jī)制的HierGAT 模型，通過建模和利用不同實(shí)體消歧決策之間的相互依賴關(guān)系以提高知識(shí)融合的準(zhǔn)確性. 在缺乏足夠標(biāo)記數(shù)據(jù)的情況下，Tu et al［50］開發(fā)了一個(gè)集成特征提取器、匹配器和特征對(duì)齊器的DADER 框架，并系統(tǒng)地探索了領(lǐng)域自適應(yīng)在實(shí)體解析任務(wù)中的設(shè)計(jì)空間. 隨著多模態(tài)知識(shí)圖譜的引入，將視覺模態(tài)應(yīng)用到知識(shí)圖譜中的實(shí)體對(duì)齊問題逐漸受到關(guān)注. 目前，Chen et al［51］提出的基于元模態(tài)混合的多模態(tài)實(shí)體對(duì)齊轉(zhuǎn)換器MEAformer 被認(rèn)為是最先進(jìn)的方法，此模型通過動(dòng)態(tài)預(yù)測(cè)模態(tài)間的相互關(guān)聯(lián)系數(shù)，實(shí)現(xiàn)了更細(xì)粒度的實(shí)體級(jí)模態(tài)融合和對(duì)齊.

為了克服上述問題，本文提出了FastAGEDs算法，其通過應(yīng)用圖函數(shù)依賴思想來完成實(shí)體對(duì)齊任務(wù)［52］. 該方法結(jié)合深度優(yōu)先搜索策略和剪枝操作來挖掘?qū)嶓w屬性之間的依賴關(guān)系，并進(jìn)一步利用這類依賴關(guān)系來辨析具有相似語義關(guān)系的實(shí)體對(duì).

2. 2. 4 農(nóng)業(yè)知識(shí)推理 在KGU 分系統(tǒng)中，利用提煉得到的（q，a） 問答對(duì)，經(jīng)過知識(shí)抽取和知識(shí)融合模塊實(shí)現(xiàn)對(duì)農(nóng)業(yè)知識(shí)圖譜的初步構(gòu)建. 在此基礎(chǔ)上，知識(shí)推理模型利用現(xiàn)有的事實(shí)和關(guān)系推導(dǎo)出未知的農(nóng)業(yè)知識(shí)和結(jié)論，以擴(kuò)展和豐富農(nóng)業(yè)知識(shí)圖譜的應(yīng)用能力，從而為IS 分系統(tǒng)提供更加全面、準(zhǔn)確的知識(shí)服務(wù).

農(nóng)業(yè)知識(shí)推理的目的是從已有的農(nóng)業(yè)知識(shí)中推斷出新的結(jié)論、判斷或知識(shí)，以補(bǔ)全農(nóng)業(yè)知識(shí)圖譜并進(jìn)一步輔助農(nóng)業(yè)決策和解決問題. 一種常見的知識(shí)補(bǔ)全實(shí)現(xiàn)是基于表示學(xué)習(xí)和知識(shí)圖譜嵌入的鏈路預(yù)測(cè)［53］. 其范式為針對(duì)給定的待補(bǔ)充（頭實(shí)體，關(guān)系和尾實(shí)體）三元組知識(shí)，通過嵌入模型輸出相應(yīng)的置信度分?jǐn)?shù)，以此衡量其可信程度.以TransE［54］，KG2E［55］和UM［56］為代表的平移距離模型基于向量平移的思想，通過計(jì)算實(shí)體嵌入向量之間的距離來衡量事實(shí)知識(shí)的合理性.RESCA［57］和SME［58］等語義匹配模型利用基于相似性的評(píng)分函數(shù)，通過匹配隱藏在向量表示空間中實(shí)體和關(guān)系的語義信息來預(yù)測(cè)實(shí)體關(guān)系對(duì)的可能性.

然而，現(xiàn)有模型普遍存在置信度分?jǐn)?shù)測(cè)量穩(wěn)定性差的問題，嚴(yán)重影響鏈路預(yù)測(cè)的準(zhǔn)確性. 為了解決該問題，提出基于因果干預(yù)的鏈路預(yù)測(cè)方法［59］，通過考慮表示學(xué)習(xí)過程中實(shí)體嵌入向量與預(yù)測(cè)結(jié)果之間的因果關(guān)系，以更加準(zhǔn)確和穩(wěn)定的方式更新實(shí)體的嵌入表示，并結(jié)合一致性比較計(jì)算來完成評(píng)估，有效提高了模型的預(yù)測(cè)精度和魯棒性.

各分系統(tǒng)產(chǎn)生的反饋結(jié)果則作為獎(jiǎng)勵(lì)（如問題合法性獎(jiǎng)勵(lì)、問題相關(guān)性獎(jiǎng)勵(lì)等），不斷優(yōu)化QG 分系統(tǒng)，進(jìn)一步迭代更新方法框架，實(shí)現(xiàn)對(duì)知識(shí)圖譜的有效構(gòu)建、更新和應(yīng)用.

3 面向特定領(lǐng)域的農(nóng)業(yè)認(rèn)知智能服務(wù)

目前，農(nóng)業(yè)領(lǐng)域已有多個(gè)農(nóng)業(yè)知識(shí)決策服務(wù)案例，其涵蓋作物［28］、畜禽［24］等多個(gè)方面. 這些應(yīng)用案例在提高農(nóng)業(yè)生產(chǎn)效率和質(zhì)量、減少資源浪費(fèi)、優(yōu)化農(nóng)業(yè)管理等方面發(fā)揮了積極的作用.

3. 1 作物 湖北洪山實(shí)驗(yàn)室構(gòu)建的知識(shí)圖譜驅(qū)動(dòng)的水稻生物信息平臺(tái)［59］旨在解決數(shù)據(jù)管理和共享的問題. 該平臺(tái)包括語義標(biāo)注、語義模型預(yù)測(cè)和知識(shí)圖譜生成等功能，利用本體技術(shù)整合數(shù)據(jù)源，對(duì)結(jié)構(gòu)化數(shù)據(jù)進(jìn)行語義建模和補(bǔ)充，以促進(jìn)后續(xù)生信分析任務(wù)的開展.

針對(duì)農(nóng)事任務(wù)精準(zhǔn)決策難的問題，華中農(nóng)業(yè)大學(xué)智能化軟件工程團(tuán)隊(duì)提出一種面向精準(zhǔn)施肥的農(nóng)業(yè)多模態(tài)時(shí)空知識(shí)圖譜構(gòu)建及其控制與決策方法［60］. 該方法通過子圖匹配獲取與待施肥地塊查詢圖同構(gòu)的農(nóng)業(yè)時(shí)空多模態(tài)知識(shí)圖譜子圖，從存儲(chǔ)歷史決策信息的子圖中選取適于當(dāng)前條件的施肥模型，以指導(dǎo)精準(zhǔn)決策. 同時(shí)，進(jìn)一步開發(fā)了雙水雙綠華墨香精準(zhǔn)施肥和投喂應(yīng)用程序，通過對(duì)接農(nóng)場(chǎng)物聯(lián)網(wǎng)設(shè)備，結(jié)合農(nóng)業(yè)多模態(tài)案例庫、農(nóng)業(yè)時(shí)空多模態(tài)知識(shí)圖譜進(jìn)行分析，以實(shí)施精準(zhǔn)施肥和投喂.

3. 2 畜禽 華中農(nóng)業(yè)大學(xué)智能化軟件工程團(tuán)隊(duì)提出的生豬養(yǎng)殖知識(shí)圖譜認(rèn)知智能服務(wù)涵蓋了生豬的品種特性、飼養(yǎng)管理、疾病防治及養(yǎng)殖環(huán)境等領(lǐng)域知識(shí)，并整合了豬的品種信息、養(yǎng)殖方案、屠體性狀、飼料轉(zhuǎn)化效率、飼料配方等數(shù)據(jù)，為養(yǎng)殖戶及研究人員提供了生產(chǎn)參考. 同時(shí)，可通過設(shè)定相應(yīng)規(guī)則和關(guān)系，將知識(shí)系統(tǒng)化、具象化地表示. 基于此，可以查詢與豬養(yǎng)殖相關(guān)的一系列問題，例如特定環(huán)境下某種豬的最佳生長條件、疾病的發(fā)生情況和預(yù)防措施等內(nèi)容，為養(yǎng)殖業(yè)的科學(xué)研究和實(shí)際生產(chǎn)提供了寶貴的信息資源.

華中農(nóng)業(yè)大學(xué)豬腸道菌群認(rèn)知智能聯(lián)邦查詢服務(wù)［61］基于豬腸道微生物群本體，整合了多個(gè)數(shù)據(jù)源. 用戶可以通過自然語言文本預(yù)定義模板進(jìn)行查詢. 平臺(tái)可通過查詢推理器對(duì)自動(dòng)生成的查詢語句進(jìn)行優(yōu)化，從而提高查詢效率. 平臺(tái)涉及KEGG 和HMDB 等多個(gè)異構(gòu)數(shù)據(jù)源. 通過跨數(shù)據(jù)庫檢索信息，用戶可以獲得所需的查詢答案，以進(jìn)一步優(yōu)化飼養(yǎng)，促進(jìn)養(yǎng)豬業(yè)的可持續(xù)發(fā)展.

4 結(jié)論

農(nóng)業(yè)產(chǎn)業(yè)亟需在農(nóng)業(yè)知識(shí)工程的指導(dǎo)下，構(gòu)建具有可操作性和可擴(kuò)展性的農(nóng)業(yè)知識(shí)決策平臺(tái)，以適應(yīng)不同地區(qū)、不同農(nóng)業(yè)系統(tǒng)的需求. 本文針對(duì)農(nóng)業(yè)大數(shù)據(jù)整合難、農(nóng)業(yè)知識(shí)抽取難以及農(nóng)業(yè)知識(shí)決策服務(wù)少的問題與挑戰(zhàn)，基于農(nóng)業(yè)數(shù)據(jù)的全生命周期，提出了一個(gè)集成數(shù)據(jù)層、算法層和認(rèn)知服務(wù)層的農(nóng)業(yè)認(rèn)知智能服務(wù)研究框架，并在此基礎(chǔ)上，基于主動(dòng)元學(xué)習(xí)理論的指導(dǎo)，提出以軟件智能體與科學(xué)大數(shù)據(jù)雙向偶聯(lián)自指循環(huán)為核心的農(nóng)業(yè)認(rèn)知智能服務(wù)構(gòu)建框架，包括完成對(duì)農(nóng)業(yè)大數(shù)據(jù)的整合和知識(shí)建模、知識(shí)抽取、知識(shí)融合以及知識(shí)推理任務(wù). 由此實(shí)現(xiàn)對(duì)農(nóng)業(yè)數(shù)據(jù)更加全面、準(zhǔn)確地分析和知識(shí)挖掘，為后續(xù)的知識(shí)服務(wù)提供豐富可信的知識(shí)背景，進(jìn)一步推動(dòng)農(nóng)業(yè)領(lǐng)域的知識(shí)管理和智能化決策知識(shí)服務(wù)的發(fā)展.

隨著云計(jì)算、人工智能、物聯(lián)網(wǎng)等技術(shù)在農(nóng)業(yè)領(lǐng)域的賦能應(yīng)用，農(nóng)業(yè)認(rèn)知智能服務(wù)的研究有望在以下幾個(gè)方面快速發(fā)展.

（1）進(jìn)一步強(qiáng)化農(nóng)業(yè)元數(shù)據(jù)的頂層設(shè)計(jì)，共建農(nóng)業(yè)大數(shù)據(jù)標(biāo)準(zhǔn)化、規(guī)范化體系和農(nóng)業(yè)知識(shí)共享和系統(tǒng)創(chuàng)新平臺(tái)，以解決“數(shù)據(jù)孤島”問題，促進(jìn)農(nóng)業(yè)數(shù)據(jù)的互聯(lián)互通和有效利用，由此推動(dòng)農(nóng)業(yè)的可持續(xù)發(fā)展.

（2）GPT 生成式大語言模型的迅速發(fā)展為精準(zhǔn)分析和挖掘農(nóng)業(yè)數(shù)據(jù)、掌握農(nóng)業(yè)領(lǐng)域知識(shí)以及解決農(nóng)業(yè)數(shù)據(jù)長期存在的數(shù)據(jù)稀疏、高維和高噪聲等問題提供新的思路和解決方案［62］.

（3）圍繞以持續(xù)學(xué)習(xí)和自我優(yōu)化為特點(diǎn)的主動(dòng)元學(xué)習(xí)方法，致力于高效地抽取、組織和整合農(nóng)業(yè)知識(shí)，以減輕對(duì)人工標(biāo)注樣本的需求.

（4）基于云計(jì)算和人工智能技術(shù)，開發(fā)高效的智慧農(nóng)業(yè)決策支持系統(tǒng)將成為可能. 通過集成、應(yīng)用針對(duì)農(nóng)業(yè)多源數(shù)據(jù)的分析和知識(shí)挖掘算法，為農(nóng)業(yè)從業(yè)者提供個(gè)性化的科學(xué)決策建議和實(shí)時(shí)監(jiān)測(cè)，提高農(nóng)業(yè)生產(chǎn)的效率和可持續(xù)性.

參考文獻(xiàn)

［1］ 劉晶. 中國工程院發(fā)布“電子信息工程科技發(fā)展十

三大挑戰(zhàn)（2022）”. 中國電子報(bào)，2022-02-18（04）.

［2］ 趙春江. 智慧農(nóng)業(yè)的發(fā)展現(xiàn)狀與未來展望. 華南農(nóng)

業(yè)大學(xué)學(xué)報(bào)，2021，42（6）：1-7. （Zhao C J. Current

situations and prospects of smart agriculture. Journal

of South China Agricultural University，2021，42（6）：

1-7.）

［3］ Li Y F，Kennedy G，Ngoran F，et al. An ontology ?

centric architecture for extensible scientific data

management systems. Future Generation Computer

Systems，2013，29（2）：641-653.

［4］ International Organizati Standardization. Information

technology metadata registries （MDR） Part 1：

Framework. ISO/IEC 11179?1?2004.

［5］ International Standard ISO/IEC. Information

technology?metamodel framework for interoperability

（MFI）：Part 10：Core model and basic mapping.

19763-10：2014.

［6］ Song J M，Liu D X，Xie W Z，et al. BnPIR：Brassica

napus pan ? genome information resource for 1689

accessions. Plant Biotechnology Journal，2021，19（3）：

412-414.

［7］ Liu D X，Yu L Q，Wei L L，et al. BnTIR：An online

transcriptome platform for exploring RNA ? seq

libraries for oil crop Brassica napus. Plant

Biotechnology Journal，2021，19（10）：1895-1897.

［8］ Yang Z Q，Liang C Y，Wei L L，et al. BnVIR：

Bridging the genotype ? phenotype gap to accelerate

mining of candidate variations underlying agronomic

traits in Brassica napus. Molecular Plant，2022，15（5）：

779-782.

［9］ Yang Z Q，Wang S B，Wei L L，et al. BnIR：A multiomics

database with various tools for Brassica napus

research and breeding. Molecular Plant，2023，16（4）：

775-789.

［10］ Yang Z Q，Wang J，Huang Y M，et al. CottonMD：A

multi ? omics database for cotton biological study.

Nucleic Acids Research，2023，51（D1）：D1446-

D1456.

［11］ Dai F， Chen J D， Zhang Z Q， et al.

COTTONOMICS：A comprehensive cotton multi ?

omics database. Database，2022，2022：baac080.

［12］ Fu Y H，Liu H，Dou J W，et al. IAnimal：A cross ?

species omics knowledgebase for animals. Nucleic

Acids Research，2023，51（D1）：D1312-D1324.

［13］ Fu W W，Wang R，Nanaei H A，et al. RGD v2.0：A

major update of the ruminant functional and

evolutionary genomics database. Nucleic Acids

Research，2022，50（D1）：D1091-D1099.

［14］ Chen N B，F(xiàn)u W W，Zhao J B，et al. BGVD：An

integrated database for bovine sequencing variations

and selective signatures. Genomics，Proteomics amp;

Bioinformatics，2020，18（2）：186-193.

［15］ Fu W W，Wang R，Yu J T，et al. GGVD：A goat

genome variation database for tracking the dynamic

evolutionary process of selective signatures and

ancient introgressions. Journal of Genetics and

Genomics，2021，48（3）：248-256.

［16］ Fu W W，Wang R，Xu N Y，et al. Galbase：A

comprehensive repository for integrating chicken

multi?omics data. BMC Genomics，2022，23（1）：364.

［17］ Tian X M，Li R，F(xiàn)u W W，et al. Building a sequence

map of the pig pan ? genome from multiple de novo

assemblies and Hi ? C data. Science China Life

Sciences，2020，63（5）：750-763.

［18］ Li R，F(xiàn)u W W，Su R，et al. Towards the complete

goat pan ? genome by recovering missing genomic

segments from the reference genome. Frontiers in

Genetics，2019，10：1169.

［19］ Haverkort A J，Top J L. The potato ontology：

Delimitation of the domain，modelling concepts，and

prospects of performance. Potato Research，2011，54

（2）：119-136.

［20］ Abbasi R，Martinez P，Ahmad R. An ontology model

to support the automated design of aquaponic grow

beds. Procedia CIRP，2021，100：55-60.

［21］ Mietzsch E，Martini D，Kolshus K，et al. How

agricultural digital innovation can benefit from

semantics：The case of the AGROVOC multilingual

thesaurus. Engineering Proceedings，2021，9（1）：17.

［22］ Nédellec C，Bossy R，Chaix E，et al. Text ? mining

and ontologies： New approaches to knowledge

discovery of microbial diversity. 2018， arXiv：

1805.04107.

［23］ Zhong X F，Wang Y，Wen X，et al. An ontology ?

based automation system：A case study of citrus

fertilization. International Journal on Semantic Web

and Information Systems，2022，18（1）：1-22.

［24］ 宗南蘇，何綺云，鄭業(yè)魯，等. 農(nóng)業(yè)生產(chǎn)技術(shù)本體構(gòu)

建與語義檢索實(shí)現(xiàn). 廣東農(nóng)業(yè)科學(xué)，2009（3）：195-

199.（ Zong N S，He Q Y，Zheng Y L，et al. Construction

of the agri? producation technology ontology and

the realization of the semantic retrieval. Guangdong

Agricultural Sciences，2009（3）：195-199.）

［25］ 王雪，王儒敬，魏圓圓，等. 豬生產(chǎn)學(xué)本體構(gòu)建的研

究. 江蘇農(nóng)業(yè)科學(xué)，2011，39（3）：547-550.

［26］ 趙春江. 農(nóng)業(yè)知識(shí)智能服務(wù)技術(shù)綜述. 智慧農(nóng)業(yè)（中

英文），2023，5（2）：126-148. （Zhao C J. Agricultural

knowledge intelligent service technology：A review.

Smart Agriculture，2023，5（2）：126-148.）

［27］ Palma R，Brahma S，Zinke ? Wehlmann C，et al.

Linked data usages in DataBio∥S?derg?rd C，

Mildorf T，Habyarimana E，et al. Big data in

bioeconomy：Results from the European DataBio

project. Springer Berlin Heidelberg，2021：91-111.

［28］ Haase P， Herzig D M， Kozlov A， et al.

Metaphactory： A platform for knowledge graph

management. Semantic Web，2019，10（6）：1109-

1125.

［29］ Hassani ? Pak K，Singh A，Brandizi M，et al.

KnetMiner： A comprehensive approach for

supporting evidence ? based gene discovery and

complex trait analysis across species. Plant

Biotechnology Journal，2021，19（8）：1670-1678.

［30］ Venkatesan A，Tagny Ngompe G，El Hassouni N，et

al. Agronomic Linked Data （AgroLD）：A knowledgebased

system to enable integrative biology in

agronomy. PLoS One，2018，13（11）：e0198270.

［31］ 張萌，董偉，錢蓉，等. 安徽省植保大數(shù)據(jù)平臺(tái)建設(shè)

與應(yīng)用展望. 農(nóng)業(yè)大數(shù)據(jù)學(xué)報(bào)，2020，2（1）：36-44.

（Zhang M，Dong W，Qian R，et al. Construction and

application prospects of big data platform for plant

protection in Anhui Province. Journal of Agricultural

Big Data，2020，2（1）：36-44.）

［32］ 吳賽賽，周愛蓮，謝能付，等. 基于深度學(xué)習(xí)的作物

病蟲害可視化知識(shí)圖譜構(gòu)建. 農(nóng)業(yè)工程學(xué)報(bào)，2020，

36（24）：177-185. （Wu S S，Zhou A L，Xie N F，et

al. Construction of visualization domain ? specific

knowledge graph of crop diseases and pests based on

deep learning. Transactions of the Chinese Society of

Agricultural Engineering，2020，36（24）：177-185.）

［33］ 戈為溪，周俊，袁立存，等. 基于知識(shí)圖譜與案例推

理的水稻精準(zhǔn)施肥推薦模型. 農(nóng)業(yè)工程學(xué)報(bào)，2023，

39（2）：126-133. （Ge W X，Zhou J，Yuan L C，et al.

Recommendation model for rice precision fertilization

using knowledge graph and case ? based reasoning.

Transactions of the Chinese Society of Agricultural

Engineering，2023，39（2）：126-133.）

［34］ 王翀，何克清，王健，等. 化解“信息孤島”危機(jī)的軟

件模型按需服務(wù)互操作技術(shù). 計(jì)算機(jī)學(xué)報(bào)，2018，41

（6）：1094-1111. （Wang C，He K Q，Wang J，et al.

On ? demand interoperability techniques for software

model services：A standardized solution for the information

islands crisis. Chinese Journal of Computers，

2018，41（6）：1094-1111.）

［35］ 李貫峰. 基于本體的農(nóng)業(yè)知識(shí)建模研究. 軟件導(dǎo)刊，

2016，15（12）：65-67.

［36］ 趙瑞雪，楊晨雪，鄭建華，等. 農(nóng)業(yè)智能知識(shí)服務(wù)研

究現(xiàn)狀及展望. 智慧農(nóng)業(yè)（中英文），2022，4（4）：105-

125.（ Zhao R X，Yang C X，Zheng J H，et al. Agricultural

intelligent knowledge service ：Overview and

future perspectives. Smart Agriculture，2022，4（4）：

105-125.）

［37］ Zhang S L，Tang Y，Yan J，et al. A graph ? based

approach for integrating biological heterogeneous

data based on connecting ontology∥Proceedings of

2021 IEEE International Conference on

Bioinformatics and Biomedicine. Houston， TX，

USA：IEEE，2021：600-607.

［38］ Kipf T N，Welling M. Semi?supervised classification

with graph convolutional networks. 2016，arXiv：

1609.02907.

［39］ Hao Z G，Mayer W，Xia J B，et al. Ontology

alignment with semantic and structural embeddings.

Journal of Web Semantics，2023，78：100798.

［40］ Suchanek F M，Abiteboul S，Senellart P. PARIS：

Probabilistic alignment of relations，instances，and

schema. Proceedings of the VLDB Endowment，

2011，5（3）：157-168.

［41］ Xu J K，Mayer W，Zhang H Y，et al. Automatic

semantic modeling for structural data source with the

prior knowledge from knowledge base. Mathematics，

2022，10（24）：4778.

［42］ Xu R Q，Mayer W，Wang Y L，et al. Automatic

semantic modeling by cross ? modal retrieval∥

Proceedings of the 2022 IEEE 24th International

Conference on High Performance Computing amp;

Communications， the 8th International Conference on

Data Science amp; Systems， the 20th International

Conference on Smart City， the 8th International

Conference on Dependability in Sensor，Cloud amp; Big

Data Systems amp; Application. Chengdu，China：

IEEE，2022：2142-2150.

［43］ Chu H L，Wu W M，Mayer W，et al. Dynamic

semantic modeling of structural data sources∥

Proceedings of the 2022 IEEE 24th International

Conference on High Performance Computing amp;

Communications， the 8th International Conference on

Data Science amp; Systems， the 20th International

Conference on Smart City， the 8th International

Conference on Dependability in Sensor，Cloud amp; Big

Data Systems amp; Application. Chengdu，China：

IEEE，2022：74-81.

［44］ Li W L，Qian T Y，Zhong M，et al. Interactive lexical

and semantic graphs for semisupervised relation

extraction. IEEE Transactions on Neural Networks

and Learning Systems，2023，34（10）：7158-7169.

［45］ Li W L，Qian T Y，Li X H，et al. Adversarial multiteacher

distillation for semi ? supervised relation

extraction. IEEE Transactions on Neural Networks

and Learning Systems， 2023， DOI： 10.1109/

TNNLS.2023.3258967.

［46］ Luo J，Zhang Y T，Wang Y，et al. A reinforcement

learning ? based approach for continuous knowledge

graph construction∥Proceedings of the 16th

International Conference on Knowledge Science，

Engineering and Management. Springer Berlin

Heidelberg，2023：418-429.

［47］ Jiménez ? Ruiz E，Cuenca Grau B. LogMap：Logic ?

based and scalable ontology matching∥Proceedings

of the 10th International Semantic Web Conference.

Springer Berlin Heidelberg，2011：273-288.

［48］ Sun Z Q，Hu W，Wang C M，et al. Revisiting

embedding ? based entity alignment：A robust and

adaptive method. IEEE Transactions on Knowledge

and Data Engineering，2023，35（8）：8461-8475.

［49］ Yao D Z，Gu Y H，Cong G，et al. Entity resolution

with hierarchical graph attention networks∥

Proceedings of 2022 International Conference on

Management of Data. Philadelphia， PA， USA：

ACM，2022：429-442.

［50］ Tu J H，F(xiàn)an J，Tang N，et al. Domain adaptation for

deep entity resolution∥Proceedings of 2022

International Conference on Management of Data.

Philadelphia，PA，USA：ACM，2022：443-457.

［51］ Chen Z，Chen J Y，Zhang W，et al. MEAformer：

Multi ? modal entity alignment transformer for meta

modality hybrid∥Proceedings of the 31st ACM

International Conference on Multimedia. Ottawa，

Canada：ACM，2022：3317-3327.

［52］ Zhou G T， Kwashie S， Zhang Y D， et al.

FastAGEDs： Fast approximate graph entity

dependency discovery∥Proceedings of the 24th

International Conference on Web Information

Systems Engineering. Springer Berlin Heidelberg，

2023：451-465.

［53］ 王昊奮，漆桂林，陳華鈞. 知識(shí)圖譜：方法、實(shí)踐與應(yīng)

用. 北京：電子工業(yè)出版社，2019，480.

［54］ Bordes A，Usunier N，Garcia ? Duran A，et al.

Translating embeddings for modeling multi?relational

data∥Proceedings of the 26th International

Conference on Neural Information Processing

Systems. Lake Tahoe，NV，USA：Curran Associates

Inc.，2013：2787-2795.

［55］ He S Z，Liu K，Ji G L，et al. Learning to represent

knowledge graphs with Gaussian embedding∥

Proceedings of the 24th ACM International on

Conference on Information and Knowledge

Management. Melbourne，Australia：ACM，2015：

623-632.

［56］ Bordes A，Glorot X，Weston J，et al. Joint learning of

words and meaning representations for open ? text

semantic parsing∥Proceedings of the 15th

International Conference on Artificial Intelligence

and Statistics. La Palma，Spain：JMLR. org，2012：

127-135.

［57］ Nickel M，Tresp V，Kriegel H P. A three?way model

for collective learning on multi ? relational data∥

Proceedings of the 28th International Conference on

International Conference on Machine Learning.

Bellevue，WA，USA：Omnipress，2011：809-816.

［58］ Bordes A，Glorot X，Weston J，et al. A semantic

matching energy function for learning with multi ?

relational data： Application to word ? sense

disambiguation. Machine Learning， 2014， 94（2）：

233-259.

［59］ 王博文. 基于因果干預(yù)的藥物靶標(biāo)相互作用置信度

測(cè)量方法研究與實(shí)現(xiàn). 碩士學(xué)位論文. 武漢：華中農(nóng)

業(yè)大學(xué)，2023.（ Wang B W. Research and implementation

of drug target interaction confidence measurement

method based on causal intervention. Master

Dissertation. Wuhan：Huazhong Agricultural University，

2023.）

［60］ 許多，魯旺平，許瑞清，等. 基于農(nóng)業(yè)時(shí)空多模態(tài)知

識(shí)圖譜的水稻精準(zhǔn)施肥決策方法. 華中農(nóng)業(yè)大學(xué)學(xué)

報(bào)，2023，42（3）：281-292.（ Xu D，Lu W P，Xu R Q，

et al. A method of deciding precision fertilization of

rice based on spatiotemporal multi?modal knowledge

graph of agriculture. Journal of Huazhong Agricultural

University，2023，42（3）：281-292.）

［61］ Wang Y，Jiang Q，Geng Y L，et al. SGMFQP：An

ontology?based swine gut microbiota federated query

platform. Methods，2023，212：12-20.

［62］ Floridi L，Chiriatti M. GPT ? 3：Its nature，scope，

limits，and consequences. Minds and Machines，2020，

30（4）：681-694.

（責(zé)任編輯 高善露）