欢迎您访问《智慧农业（中英文）》官方网站！ English
智慧农业

智慧农业 >

2025 1 - 15

DOI: https://doi.org/10.12133/j.smartag.SA202501004

知识图谱驱动下粮食生产大数据应用现状与展望

  • 杨晨雪 ,
  • 李娴 ,
  • 周清波
展开
  • 中国农业科学院农业信息研究所，北京 100081，中国
周清波，博士，研究员，研究方向为农业遥感和农业信息技术。E-mail：

杨晨雪，博士，助理研究员，研究方向为基于视觉/多媒体分析的农业智能计算理论及应用研究。E-mail：

收稿日期: 2025-01-01

  网络出版日期: 2025-04-25

基金资助

“十四五”国家重点研发计划项目(2023YFD2000102)

The National Key Research and Development Program of China(2023YFD2000102)

收起

Knowledge Graph Driven Grain Big Data Applications:Overview and Perspective

  • YANG Chenxue ,
  • LI Xian ,
  • ZHOU Qingbo
Expand
  • Agricultural Information Institute, China Academy of Agricultural Sciences, Beijing 100081, China
ZHOU Qingbo, E-mail:

YANG Chenxue, E-mail:

Received date: 2025-01-01

  Online published: 2025-04-25

Copyright

copyright©2025 by the authors
Fold

摘要

【目的/意义】 中国粮食生产全过程全要素大数据分散无序且结构复杂，服务粮食生产决策核心算法缺乏整合利用，导致数据的潜力未能得到充分发挥。知识图谱技术可整合多源异构粮食生产数据，提升数据关联性与语义挖掘效率，实现知识结构化表达与智能推理，并为粮食生产的可持续发展提供智能分析与信息支持。【进展】本文综合分析了粮食生产大数据复杂“结构-关系-语义”的知识表示与关联解析方法，梳理总结了一套基于数据驱动与知识引导的知识图谱构建与知识推理框架，综合分析了粮食生产本体构建、多模态命名实体识别、多模态实体链接、时序推理等关键技术，构造产前调度规划、产中精准决策和产后定量评估等全过程多场景的智能化应用。【结论/展望】面向粮食生产大数据应用的知识图谱技术可以在全国、省域、县域和规模化农场等多个应用尺度范围内，为粮食生产各个阶段提供可视化和智能化的决策支持，对实现“藏粮于地、藏粮于技”战略及保障国家粮食安全具有重大科学和应用价值。

关键词： 粮食生产大数据; 知识表示; 多模态知识图谱; 命名实体识别; 实体链接; 时序推理

本文引用格式

杨晨雪 , 李娴 , 周清波 . 知识图谱驱动下粮食生产大数据应用现状与展望[J]. 智慧农业, 2025 : 1 -15 . DOI: 10.12133/j.smartag.SA202501004

Abstract

[Significance] Grain production in China spans multiple stages and involves numerous heterogeneous factors, including agronomic inputs, natural resources, environmental conditions, and socio-economic variables. However, the associated data generated throughout the entire production process—ranging from cultivation planning to harvest evaluation—remains highly fragmented, unstructured, and semantically diverse. This complexity data, combined with the lack of integrated core algorithms to support decision-making, has severely limited the potential of big data to drive innovation in grain production. Knowledge graph (KG) technology, by offering structured, semantically-rich representations of complex data, provides a promising approach to address these challenges. KGs enable the integration of multi-source and heterogeneous data, enhance semantic mining and reasoning capabilities, and offer intelligent, knowledge-driven support for sustainable grain production. [Progress] This paper systematically reviewed the current state of research and application of knowledge graphs in the domain of grain production big data. A comprehensive KG-driven framework was proposed based on a hybrid paradigm combining data-driven modeling and domain knowledge guidance. The framework was designed to support the entire grain production lifecycle and addressed three primary dimensions of data complexity: structural diversity, relational heterogeneity, and semantic ambiguity. The key techniques of constructing multimodal knowledge map and temporal reasoning for grain production were described. First, an agricultural ontology system for grain production was designed, incorporating domain-specific concepts, hierarchical relationships, and attribute constraints. This ontology provided the semantic foundation for knowledge modeling and alignment. Second, multimodal named entity recognition (NER) techniques were employed to extract entities such as crops, varieties, weather conditions, operations, and equipment from structured and unstructured data sources, including satellite imagery, agronomic reports, IoT sensor data, and historical statistics. Advanced deep learning models, such as BERT and vision-language transformers, were used to enhance recognition accuracy across text and image modalities. Third, the system implemented multimodal entity linking and disambiguation, which connected identical or semantically similar entities across different data sources by leveraging graph embeddings, semantic similarity measures, and rule-based matching. Finally, temporal reasoning modules were constructed using temporal KGs and logical rules to support dynamic inference over time-sensitive knowledge, such as crop growth stages, climate variations, and policy interventions. The proposed KG-driven system enabled the development of intelligent applications across multiple stages of grain production. In the pre-production stage, knowledge graphs supported decision-making in resource allocation, crop variety selection, and planting schedule optimization based on past data patterns and predictive inference. During the in-production stage, the system facilitated precision operations—such as real-time fertilization and irrigation—by reasoning over current field status, real-time sensor inputs, and historical trends. In the post-production stage, it enabled yield assessment and economic evaluation through integration of production outcomes, environmental factors, and policy constraints. Conclusions and Prospects Knowledge graph technologies offer a scalable and semantically-enhanced approach for unlocking the full potential of grain production big data. By integrating heterogeneous data sources, representing domain knowledge explicitly, and supporting intelligent reasoning, KGs can provide visualization, explainability, and decision support across various spatial scales, including national, provincial, county-level, and large-scale farm contexts. These technologies are of great scientific and practical significance in supporting China's national food security strategy and advancing the goals of storing grain in the land and storing grain in technology. Future directions include the construction of cross-domain agricultural knowledge fusion systems, dynamic ontology evolution mechanisms, and federated KG platforms for multi-region data collaboration under data privacy constraints.

Key words： grain production big data; knowledge representation; multimodal knowledge graph; named entity recognition; entity linking; temporal reasoning

0 引 言

数据是国家基础性资源和战略性资源，已成为现代社会中重要的生产要素，尤其在农业领域，粮食生产大数据作为战略资源，具有重要的研究和应用价值［1］。中国粮食生产大数据面临着分散、无序且结构复杂的问题，导致其潜力未能得到充分发挥［2］。当前，缺乏有效的整合分析工具和核心算法，无法为粮食生产全过程的决策提供足够的智能支持。因此，如何通过先进的技术手段有效组织和分析大规模、异构的粮食生产数据，提升数据间的关联性和语义信息的挖掘效率，成为粮食生产领域亟待解决的关键问题。
知识图谱［3］作为一种强大的数据表示与推理工具，能够将不同来源、不同格式的数据进行融合和结构化，进而形成具有语义关联的知识网络。目前，知识图谱的应用在农业生产数据管理、智慧农业决策支持系统构建、粮食产量预测等多个方面展现出巨大的潜能［4］。在粮食生产大数据应用中，知识图谱的引入不仅为粮食生产知识的智能推理与决策提供了新的思路，也为粮食生产的可持续发展提供了有效的信息支持和智能化分析工具［5］。在粮食生产全过程中，知识图谱可以实现各个阶段数据的全面整合和知识的深度挖掘，进而帮助实现从预调度规划、生产过程中的精准决策，到后期的定量评估等智能化应用，为粮食安全保障和农业智能化管理提供强有力的技术支撑。
随着农业信息化水平的提高，全国、省域、县域和规模化农场等多个尺度应用场景中的粮食生产大数据呈现出日益增长的规模和复杂性。为解决中国粮食生产数据面临的海量、分散、无序和结构复杂等问题，提升数据间的关联性和语义信息的挖掘效率，本研究提出面向粮食生产全过程包括产前种植规划、产中生产监测-水肥药配方投入-农机调度，以及产后效益评价全链条的多模态知识图谱构建与时序推理框架，利用当前先进的本体构建、多模态命名实体识别、多模态实体链接、时序推理等关键技术，实现粮食生产全过程多场景的可视化和智能化决策支持应用。随着大数据、人工智能（Artificial Intelligence, AI）和知识图谱技术的进一步发展，粮食生产领域将迎来更加智能、高效、可持续的未来。

1 粮食生产知识图谱研究现状

1.1　粮食生产大数据概述

粮食生产大数据是指在粮食生产的各个阶段，通过传感器、物联网、遥感技术、农业机械等设备和技术手段，采集和积累的海量、多源、多维度的异构数据［6］，覆盖了从产前种植规划、产中苗情监测、农机调度、种肥水药决策、产量预估到产后农机收割、经济与生态效益定量评估等全过程，其数据量庞大、种类繁多、实时性强、空间性广，且复杂性高。有效地整合和分析这些数据可以为粮食生产提供精准和科学的决策支持，推动智能化和可持续发展。粮食生产大数据技术的应用在近年来获得了显著发展，尤其是在精准农业和智能农业管理方面。利用卫星遥感、无人机监测和地面传感网络，农业领域正实现从传统经验管理向数据驱动的智能化管理转变。
在粮食生产的各个阶段，技术手段的不断创新推动了数据的采集和应用。传感器、物联网和遥感技术已经被广泛应用于粮食生产的各个环节。
产前阶段，借助气象数据、土壤数据、历史生产数据等信息，农业生产者能够制定科学的种植规划。近些年，全球多个农业研究项目，如美国“农业物联网计划”和中国“智慧农业平台”［7］，都在利用多维数据（气候、土壤、水源等）帮助农民做出更加精准的种植决策。
产中阶段，农作物的生长状态可以通过传感器实时监控，包括土壤湿度、温度、养分含量以及病虫害等。这些数据被传输到云端，通过智能化分析，能够实时调整灌溉、施肥和农机调度等操作。南京农业大学等机构开发了针对作物生长的实时监控系统［8］，已在大规模田间试验中投入应用。
产后阶段，利用智能收割机和无人驾驶农业机械采集的数据［9］，农田管理从单一的人工操作转变为精准化管理。此外，收获后的数据能为存储、运输和加工环节提供支持，进而优化粮食的后期流通，提升农业效益。
粮食生产大数据的核心价值在于其能够整合来自不同来源的数据并提供可视化的智能决策支持。这一过程涉及多种数据源的融合，包括气象数据、土壤数据、传感器数据、历史农业生产数据、市场需求等。通过多维度数据融合和智能分析，农业生产者能够作出更为精准的决策。例如，在精准种植规划与作物选择方面，通过大数据分析气候、土壤和市场需求等因素，农民可以科学地选择种植的作物种类和种植区域，从而避免过度种植不适宜品种的情况，提升资源利用率。在精准作物管理方面，通过实时监测作物生长状况、土壤湿度和养分情况，能够为精准灌溉、施肥和病虫害防治等操作提供支持。例如，美国加州和中国一些先进的农业生产区已经应用物联网传感器监测作物生长，通过智能分析优化农业管理［10］。在产量预估与市场预测方面，通过大数据的整合，可以实现对作物产量的精准预测。比如，联合国粮农组织（Food and Agriculture Organization of the United Nations, FAO）和国际粮食政策研究所（International Food Policy Research Institute, IFPRI）等机构已经通过集成气象、土壤、作物生长和历史产量数据，开发出精准的产量预测模型。
尽管粮食生产大数据具有显著潜力，但仍面临许多挑战。数据的分散性和异构性导致数据整合和共享的困难，增加了分析的复杂度。与此同时，数据隐私和安全问题也需要特别关注。解决这些问题能够释放粮食生产大数据的潜力，推动智能化粮食生产管理的实现，助力可持续发展。

1.2　粮食生产知识图谱研究现状

知识图谱技术在粮食生产领域的应用研究日益增多，为粮食生产知识的结构化、语义化表示和智能推理带来新的契机。一方面，知识图谱可以整合农业科研文献、专家经验、传感器数据等多源异构数据，提炼关键实体和语义关系，构建结构化、语义化的粮食生产知识库，为智能问答、辅助决策等应用奠定基础。另一方面，通过图谱表示和推理技术可以挖掘农业数据中隐含的关联规律和演化规律，实现粮食生产过程中的农情监测、种植管理、灾害预警等关键环节的时序预测和智能决策。
近年来，国内外学者针对农业领域的知识图谱构建与应用开展了一系列研究，多使用半监督学习特定作物领域的文本中提取三元组并创建知识图谱，如作物种类［11］、病虫害防治［12］、多表性基因知识图谱［13］等。前人研究了大量粮食作物作实体的属性构建农业知识图谱，如通过本体建模和关系抽取技术，整合了水稻品种、生育期、气象等多维度知识构建面向水稻生长的农业知识图谱，实现了水稻生长状况的可视化监测与预警［14］；基于深度学习技术构建了覆盖小麦种植全生命周期的多模态知识图谱，融合了文本、传感器、遥感等异构数据源，在病虫害诊断、产量预估等方面取得了良好效果［15］；针对农产品溯源与品控领域，研究了农产品供应链知识图谱的构建方法，实现了产地环境、加工流程、质量安全等关键信息的关联分析与智能管理［16］。
尽管已有研究取得了一定进展，但在粮食生产领域全链条的知识图谱构建与应用方面仍存在诸多挑战：一是缺乏面向粮食生产过程的本体模型和知识规范，难以有效组织和表示领域知识；二是农业数据多源异构、语义差异大，缺乏跨模态知识表示和融合方法；三是农业生产过程的时序特性明显，但现有研究侧重于静态知识建模，缺乏时序推理与预测能力。

2 知识图谱驱动下粮食生产大数据应用技术框架

为了提升粮食生产各阶段的多模态数据之间的关联性和语义信息挖掘效率和时序推理能力，本文梳理总结了一个基于数据驱动与知识引导的知识图谱构建与推理框架，如图1所示。该框架包括粮食生产全过程知识表示、多模态知识图谱构建与时序推理，以及多场景智能化应用。通过这一框架，能够有效整合和分析粮食生产全过程中的多模态数据，并通过时序推理和智能化决策支持，推动粮食生产各环节的智能化与精准化。不同于现有农业领域的知识图谱通常仅针对作物生产的某些要素（如作物品种和病虫害防治），本文所构建的知识图谱覆盖了作物生产全过程的时序性过程知识规则体系，能够支撑时序知识推理，进而为农业生产提供更加智能化、精准化的决策支持。在粮食生产全过程知识表示方面，所提出的框架结合了多个环节的多模态数据和智能决策算法，涵盖了粮食生产全过程、全产业链，包括从产前的种植调优规划、产中的生产监测、水肥药配方投入、农机调度精准决策，到产后的效益评价等关键环节。通过结合这些生产过程的多模态数据，能够更全面地捕捉粮食生产各环节中相关的信息，并对这些信息进行精准的知识表示。为了确保数据与知识能够有效结合，框架需要结合农业实践经验与先进技术，如基于物联网的智能农业技术，将非结构化信息转化为结构化数据。这一转化过程不仅有助于提升数据的可用性，还能使得数据更加贴近实际农业操作，为农业领域专家提供更具实用价值的知识［17］。为了在应用阶段有效支持粮食生产各环节的决策过程，提出了“结构-关系-语义”的知识表征与关联解析方法，通过构建涵盖粮食生产全过程的农业生产本体，确保数据与知识之间的标准化与统一，从而提升了决策支持系统的效果与效率。通过多模态表示与时序数据分析，框架进一步增强了知识表示的全面性和准确性。在此过程中，时序数据分析能够帮助识别不同阶段之间的时序关系，为粮食生产的精细化管理提供支持。例如，如何将产前的种植规划与产中的生产监测、配方投入进行有效衔接，如何根据历史数据进行时序推理，为未来的农业生产提供精准预测和调度建议，这些都依赖于时序数据分析和多模态表示的紧密结合。
图1 知识图谱驱动下粮食生产大数据应用技术框架

Fig.1 Technology architecture of knowledge graph driven grain big data applications

在多模态知识图谱构建与时序推理方面，本文提出的数据驱动与知识引导融合框架聚焦于粮食生产过程中的实体及其关系的识别和抽取，涵盖作物种类、病虫害种类、气象条件、土壤信息等关键实体。对于结构化数据（如传感器监测数据），所提框架基于预定义的作物生产本体模型，提取相关实体信息，并实现数据的标准化处理，以确保不同来源的数据能够统一表示和关联分析。对于非结构化文本数据（如农业科研论文、农技手册、农民日志），该框架则采用基于Transformer的预训练语言模型，如Bidirectional Encoder Representations from Transformers（BERT）和Generative Pre-trained Transformer（GPT）进行实体识别和关系抽取，以提升实体识别的准确性和效率。此外，该框架还特别考虑了粮食生产数据的时序特征，设计了基于空间关联和时间演化的推理机制，以支持更加精准的时序推理。通过结合时序推理和空间关联分析，框架不仅能够识别各阶段的关键实体，还能有效捕捉他们之间的动态演化和潜在关系，从而为粮食生产的精细化决策提供理论支持。
在粮食生产多场景智能化应用方面，基于多模态知识图谱与时序推理的框架实现了数据接入和智能分析算法的结合，推动了高性能计算应用的落地。具体应用场景包括产前的种植规划、产后的效益评估，以及预测预警分析等。这些应用场景不仅涵盖了粮食生产的各个阶段，还根据不同场景的特点设计了个性化的智能化解决方案。例如，在产前阶段，该框架能够根据历史数据和实时监测信息，智能化地生成种植规划；在产后阶段，通过对农业生产数据的分析，能够评估生产效益并提出优化建议；在预警分析方面，通过对时序数据和空间数据的结合分析，该框架能够实现对病虫害、气象灾害等潜在威胁的提前预警。这些应用不仅推动了农业智能化和精准化发展，还为粮食生产的可持续发展提供了强有力的数据支持和决策依据。

3 粮食生产多模态知识图谱构建与时序推理关键技术

3.1　粮食生产本体构建

粮食生产本体是知识图谱的核心组成部分，用于定义领域内的概念、属性、关系和规则，从而实现农业知识的结构化表示与推理［18］。在领域本体构建方面，已有多种方法可用于构建粮食生产本体，包括骨架法（Skeleton Method）、IDEF5方法（Integrated Definition for Ontology Description Capture Method）和环获取法（Cyclic Acquisition Method）等多种形式［19］。粮食生产领域的本体构建需要考虑农业特点与需求，重点关注农业知识的概念化、层次分类和关联关系的构建［20］。目前，已有本体构建方法应用于农业信息网络检索［21］和农业科学叙词表［22］等。此外，也有针对农业本体构建、管理系统与应用的研究成果［23］。
目前的农业类知识图谱大多仅聚焦于个别要素，如作物生长和环境本体［24］，包括小麦本体［25］、农业病虫害领域本体［26］、小麦草害领域本体［27］、玉米病害［28］、蔬菜病虫害领域［29］，以及农产品贸易领域［30］。而粮食生产本体则需要遵循产前种植调优规划、产中生产监测-水肥药配方投入-农机调度精准决策，以及产后效益评价的时序性过程原则。基于自然语言处理（Natural Language Processing, NLP）的农业本体构建方法［31］、深度学习与机器学习模型（如支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest, RF）、卷积神经网络（Convolutional Neural Network, CNN）、长短时记忆网络（Long Short-Term Memory, LSTM））、角色智能访问控制［32］和数据采集模型［33］，都为粮食生产本体的构建提供了理论与技术支持。除了传统的农业本体构建方法外，还存在其他基于优化算法和分类器的通用构建方法，如“levy flight分布式优化”与“朴素贝叶斯分类器”［34］、语义知识图谱的主题本体［35］和受限领域本体构建方案［36］等，这些方法均可用于粮食生产本体的构建，为粮食生产数据的整合与应用提供更加多样化的技术路径。
因此，在粮食生产大数据背景下，粮食生产本体的构建成为知识图谱的重要基础，他不仅有助于标准化和结构化农业领域的知识，还为智能决策系统提供了必要的语义支持。粮食生产本体的构建需要综合考虑农业的复杂性和时序性，特别是从产前的种植调优规划，到产中的精准生产监测和农机调度，再到产后的效益评价，每个环节都需要通过合理的粮食生产本体设计来实现有效的数据整合与分析。因此，考虑到粮食生产过程本体的概念覆盖率，可以定义粮食生产9类概念类型，分别为粮食作物品种、种植规划、灌溉（水）、施（追）肥、病虫害（药）防治、农机调度、效益评价、作物症状特征和气象条件类型，基于每类概念类型，通过查阅历史文献资料、专家研讨和相关国家标准，定义了相关属性类别，例如生长周期、分布范围、价值等。此外，还定义了概念类别间的促进、导致、抑制、诱发、缓解、防治、恶化和表现等关系，如图2所示。
图2 粮食生产本体构建架构示意图

Fig.2 Schematic diagram of the construction framework of the grain production ontology

3.2　文本命名实体识别

命名实体识别是自然语言处理中的一个重要任务，用于识别文本中的特定实体。在粮食生产领域，命名实体识别是关系抽取的重要环节，通常以序列标记任务的形式进行。从给定的文本标记输入序列 ( x 1 , x 2 , ⋯ , x n )中产生一个指定文本标记类型 ( y 1 , y 2 , ⋯ , y n )的标签输出序列。中文的命名实体识别方法，能够有效捕捉上下文信息，提升识别准确性，比如基于BERT的多种深度学习模型，基于BERT结合双向门控循环单元（Bidirectional Gating Recurrent Unit + Conditional Random Field, BiGRU）和条件随机场（Conditional Random Field, CRF）［37］、基于BERT结合双向长短期记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）和CRF［38］、基于BERT结合BiLSTM和迭代膨胀卷积神经网络（Iterated Dilated Convolutional Neural Networks, IDCNN）［39］、基于BERT的关联记忆网络［40］，以及基于BERT的键值记忆网络［41］中文命名实体识别方法。
在粮食生产大数据领域，命名实体识别面临一些特有的挑战，如实体名称长且复杂［42］、词语边界模糊［43］、罕见词识别差［44］等。此外，农业领域的知识图谱问答中，短语和句法等更粗粒度信息更为关键，用户通常期望能够识别长名称为整体实体（如“小麦白粉病”作为一个实体），这要求命名实体识别方法能处理更粗粒度的语言信息，有助于更好地理解长名称的粮食生产实体。针对非结构化文本的高效命名实体识方法多依赖于深度学习模型和预训练语言模型［45］，如沈利言等［46］提出的结合注意力机制和BiLSTM的农业病虫害实体提取算法，可以提高农业病虫害实体识别的准确率。但在分词和文本矢量化方面，仍然缺乏有效的方法来获取字符间丰富的语义特征。为此，Wang等［47］提出ASLT（Attention and Semantic-Level Topic）方法通过话题与注意力机制，解决了中文农业领域中存在的词汇复杂性、边界模糊等问题。
一些先进的技术广泛应用于农业命名实体识别，特别是基于Transformer架构的BERT模型［48］，基于BERT通过多层Transformer堆叠形成深度学习架构，具备强大的上下文学习能力，结合深度学习与字典、规则等技术，提高了实体识别的准确性。基于BERT-Transformer-CRF的端到端农业实体提取框架为细粒度实体分类和知识图谱构建奠定了基础［49］。Veena等［50］提出的AGRONER（Agricultural Named Entity Recognition）方法结合BERT与LDA（Latent Dirichlet Allocation）主题建模，解决了农业领域标注数据缺乏和实体歧义等问题，能够高效识别农业领域六大实体。Zhang等［51］提出基于BERT-BiLSTM-CRF的作物病害中文命名实体识别与关系抽取模型，解决农作物病害领域知识图构建中的数据稀缺、知识管理混乱和关联性弱等问题。计洁等［52］提出预训练语言模型结合递进式卷积操作，增强了农业实体名称边界的准确定位和模型的实体表示能力。
因此，为了提升粮食生产领域命名实体识别的效果，结合预训练模型的自注意力机制与卷积网络的优势，可以更好地平衡全局信息与局部特征的提取，从而提高识别的精度。同时，减小冗余信息的干扰也是提升效果的重要策略。

3.3　多模态命名实体识别

粮食生产数据包括大量非结构化文本、图像和视频等多模态数据，为粮食生产决策提供了丰富的信息，但也带来了信息处理和知识抽取的技术挑战。多模态命名实体识别模型通常依赖于大量标记数据进行训练，以提取实体关系。现有方法多针对特定数据集，如Twitter-2015［53］和Twitter 2017［54］，通过结合图像辅助实体识别，文献［55］采用长短期记忆网络来获得文本表示，卷积神经网络从图像中获得特征，但特征提取与融合方式较为粗粒度。研究者们提出了多种多模态命名实体识别方法。例如，通过图卷积架构检查文本和图像对的匹配关系［56］，通过集成软门或硬门来构建基于传播的BERT模型［57］，采用神经网络结合对象级图像信息和字符级文本信息预测实体［58］，以及采用多尺度视觉特征结合多模态信息［59］。大多数方法适用于完全监督场景，难以处理少样本学习和不可见实体问题。为此，提出基于因果干预图模型的少样本识别方法［60］，通过干预策略减少虚假关联并提升精度。
为提高多模态命名实体识别的精度，研究者们在视觉与文本模态的信息融合方面展开了广泛探索，主要从细粒度视觉对象建模、跨模态对齐机制优化与联合语义图建构等多个方向展开。首先，为了过滤视觉模态中的冗余信息并突出与实体相关的关键线索，部分研究引入对象检测模型识别细粒度视觉对象（Fine-grained Visual Objects），以增强命名实体识别的准确性。这类方法有效提升了模型对图像中实体线索的敏感性，特别适用于农业等场景语义复杂、实体分布稀疏的领域。其次，为实现更高效的跨模态实体对齐，研究者引入对抗学习（Adversarial Learning）机制，通过构建文本和图像模态的共享子空间，促进不同模态特征在语义层面的统一表示。这种对抗式训练策略有效提升了模型对弱对应（weak alignment）实体的识别能力，尤其适合用于农作物病虫害识别等跨模态实体分布不均衡任务［61］。研究者还引入密集共同注意机制（Dense Co-attention Mechanism）来显式建模图像中多个视觉对象和文本中候选实体关系之间的交互关联。这种机制通过细粒度注意力增强不同模态之间的语义对齐能力，显著提升了跨模态语义学习的鲁棒性［62］。在结构建模方面，为进一步利用模态间的语义依赖关系，Zhang等［63］构建了一个由单词和视觉对象为节点的多模态语义图（Multimodal Semantic Graph），并基于图神经网络对其中的实体关系进行建模，从而提升跨模态命名实体识别的推理能力。Wang和Jiang［64］则应用光学字符识别技术与基于变换器（Transformer-based）的嵌入方法，实现了图像、混合文本与图文模态中的实体标签提取，并增强了模型对图文混合场景下实体的表示能力。然而，需要指出的是，当前多数方法仍严重依赖于预训练对象检测器的性能，其泛化能力直接影响实体识别效果的稳定性。此外，跨模态信息融合的有效性也在很大程度上制约着整体系统在开放领域和农业等专业领域中的应用拓展。
为减少对预训练对象检测器的依赖，Chen等［65］提出了一种多模态知识图谱补全任务的统一模型，以增强跨模态信息融合的效果。Wang等［66］提出的多模态命名实体识别模型采用对比学习方法对齐文本和图像表示，并构建了支持多语言的公开数据集，以提升多语言环境下的实体识别能力。针对语义差异和信息干扰问题，He等［67］提出了一种视觉线索引导与一致性匹配框架，利用多尺度视觉信息增强图像细节表达，并通过对比学习提高文本与图像实体的对齐效果，从而提升多模态命名实体识别的准确性。
因此，在粮食生产多模态大数据的背景下，命名实体识别的任务不仅包括从文本中提取实体，如农作物品种、病虫害和农药等，还需从图像和视频中获取作物的外观特征、病害症状等关键信息。这一需求要求多模态数据融合，不仅局限于文字描述，还应结合视觉信息，以增强对粮食生产全过程中。通过文本、图像和视频的协同分析，可以确保信息提取的全面性和准确性，为粮食生产的智能化、精准化和可持续发展提供强有力的技术支持。

3.4　多模态实体链接

命名实体链接通过将文本中的实体与相应的知识库（Knowledge Base, KB）进行匹配，以实现实体识别并消除歧义［68］，这一技术广泛应用于信息提取［69］，问答［70］和Web查询［71］等领域。Radboud Entity Linker（REL）［72］是基于自然语言处理研究的神经组件，用于实体链接的开源工具包。近年来，多语言实体链接（Multilingual Entity Linking）方法不断涌现［73］，其中Bi-encoder Entity Linking Architecture（BELA）［74］是一种支持97种语言的多语言实体链接模型，能够有效识别并链接不同语言中的实体，提高跨语言知识整合能力。根据方法论的不同，实体链接可以分为生成式和检索式方法，如GENRE（Generative Entity Resolution）［75］，通过直接生成实体标题来完成链接任务。而基于检索的方法在零样本（Zero-shot）环境下通常表现更佳［76］，适用于低资源语言或未知领域的实体识别任务。Zhou等［77］提出了一种零样本实体链接重排序方法（Zero-shot Entity Linking Re-ranking Method），该方法结合上下文信息（Contextual Information），有效缓解了“无正确匹配实体（No Correct Entity）”的问题，从而提升了实体链接的准确性和鲁棒性。
与传统的神经实体链接任务关注文本信息不同，多模态实体链接的目的是消除图像中的歧义，解决“提及”模糊性问题。近期的研究基于多模态实体链接，通过设计交互和融合机制，利用多模态信息（如视觉信息）来消除歧义［78］。然而，图像模态通常信息较少且冗余，部分视觉信息甚至为噪音，导致低信息密度［79］。为此，后续研究结合整个图像和文本执行视觉语言基础任务［80］，但粗粒度的表示学习常导致信息不匹配。因此，需要细粒度的文本和视觉特征补充，提升语义一致性。如将实体的主要属性连接到一段文本作为知识图谱表示［81］，或者手动收集短文本以表示实体［82］。但是，属性集或短文本不足以表示实体，不同的粮食作物可能有相同的属性，即使使用理想的多模态方法来连接实体也是一个巨大的挑战。因此，需要更有特色和代表性的实体表示来进一步消除歧义。
在多模态实体链接任务中，维基百科（Wikipedia）提供了丰富的语义信息，可有效增强实体链接的准确性［83］。研究者提出了一种方法，通过将多模态提及（Multimodal Mentions）映射到Wikipedia知识库中的实体，以解决实体歧义问题［84］。现有方法通常将整个图像作为输入进行实体链接［85］，例如视觉变换器（Vision Transformer, ViT）［86］，利用细粒度图像信息，将图像划分为16×16的等大小块以供输入。但由于图像中实体信息分布不均，粗粒度方法可能导致性能下降。此外，现有方法未能有效提取图像中的实体相关属性［87］，大多依赖预训练编码器，缺乏捕捉实体特定信息的能力。因此，多模态实体链接的核心任务是通过语义一致性（Semantic Consistency）捕捉知识库与多模态提及之间的共性。
为提升跨模态实体链接的准确性，研究者提出了多种改进方法。Song等［88］提出了双向增强框架，结合细粒度图像特征与Wikipedia文本描述，增强了跨模态对齐能力。Luo等［89］提出的FissFuse框架采用知识感知重排序策略，以缓解文本和实体之间的差异。Liu等［90］提出了一种结合大语言模型（Large Language Models, LLMs）的框架，通过整合文本与视觉信息，优化实体选择过程。Zhang等［91］提出了最优传输多模态实体链接方法，利用知识蒸馏技术加速模型预测。为解决低质量图像问题，Sui等［92］提出优化视觉特征的方法，采用联合优化框架和变分自动编码器挖掘共享信息，并构建图卷积网络聚合视觉特征，从而有效提升多模态实体链接的准确性。因此，在粮食生产的实际应用中，多模态实体链接技术有助于精准地识别和关联作物的各类信息（如种类、病虫害情况、气象条件等），通过结合图像和文本的细粒度特征，能够有效消除提及其中的歧义，提高实体链接的准确性。此外，结合LLMs的框架进一步优化文本表示，缩小候选实体集，并优化实体选择过程，为粮食生产领域的多模态实体链接提供了理论支持。

3.5　知识图谱时序推理

农业知识图谱的时序推理核心在于对粮食生产过程的动态建模和未来趋势预测。不同于静态知识推理，时序推理需要同时考虑粮食生产实体状态的空间关联和时间演化，涉及时空序列分析。粮食生产知识图谱的推理方法通常与知识图谱的嵌入（Knowledge Graph Embedding, KGE）策略以及时间信息的处理机制密切相关。为精准捕捉实体、关系及知识随时间变化的动态特征，时序推理需具备短时序、长时序和周期性时序三类核心推理能力，以满足不同时间尺度的预测需求。短时序推理（Short-term Temporal Reasoning）方法可以基于作物实体间的语义关系构建评价函数（Scoring Function），用于短周期内的状态预测，例如季节性作物生长状态的变化分析。长时序推理（Long-term Temporal Reasoning）通过挖掘知识图谱的图结构信息构建评价函数，并可结合条件概率推理，支持跨年度或长期趋势预测，如气候变化对粮食产量的影响。周期性时序推理（Periodic Temporal Reasoning）在推理过程中同时考虑实体与关系的语义信息，并结合历史图谱结构信息，深入挖掘时间因素对粮食生产实体演化的影响，以支持周期性农业现象（如虫害爆发周期）的预测。
短时序推理关注粮食生产某个阶段的状态或结果，通过学习时间对实体和关系的影响，从时间信息中捕获实体、关系和知识在不同时间点的变化。基于粮食生产单独要素静态图谱表示，如t-TransE（Temporal Translating Embeddings）模型［93］通过增加时间约束信息，形成四元组表示，使得知识仅在特定时间区间内有效，形成了最早的时序知识表示方法四元组 s , r , o , τ，表示知识 s , r , o仅在时间区间 τ内有效。t-TransE对时序关系的演化过程建模的基础上，利用时间一致性信息进行了约束，其中关系时间顺序和时间范围的约束非常适合粮食生产周期内不同时期作物时序关系的建模，例如可以约束小麦的越冬期一定发生在灌浆期之前，且有些事实仅在作物生长特定时间段内是正确的，超出每年9月份小麦播种到来年6月份小麦收获时间范围无效。因此，t-TransE模型在实体预测、链接预测等问题上的性能均优于传统的静态表示方法，适合于粮食生产短时序知识推理。
知识图谱嵌入模型t-TransE可以同样采用TransE系列的进化模型，如TransH［94］和TransR［95］等。文献［96］的实验比较了TransE、TransH、TransR和TransD知识表示模型的性能，并选择TransH作为最佳模型，用于构建和优化马铃薯病虫害知识图谱。在时序知识图谱推理中，相关拓展模型进一步增强了时间信息的建模能力。例如：TransE-TAE（Translating Embeddings with Temporal Aware Embeddings）［97］结合时间信息改进知识图谱补全、X-TransE（Extended Translating Embeddings with Temporal Constraints）［98］在TransE基础上增加时间信息约束、HyTE（Translating Embeddings with Temporal Aware Embeddings）［99］通过构建时间超平面，将实体和关系投影到不同时间超平面中。然后，由于同一时间段的三元组知识通常较为稀疏，该方法难以充分挖掘多实体及关系的关联信息。短时序推理适用于预测短时间范围内的农业知识演化。TComplEx（Temporal Complex Embeddings for Knowledge Graphs）和TNTComplEx（Time-aware Neural Tensor Complex Embeddings）模型［100］通过将传统三元组扩展为四维张量（Four-dimensional Tensor），增强了时间信息的建模能力。其中，TNTComplEx模型进一步优化了实体与关系的表示，使时间变化不会对某些固定关系造成额外影响。然而，在时间跨度较大的数据集（如YAGO）上，这两种模型的性能一般，因此它们不适用于作物生长的长时序知识预测。ChronoR（Chronological Representation）模型［101］通过将关系和时间信息建模为正交矩阵（Orthogonal Matrix），继承了旋转模型（RotatE）在多种关系模式建模中的优势。此外，该模型通过将时间信息编码到实体的旋转过程中，捕捉了实体和关系的动态演化。然而，ChronoR仅能利用一跳邻居（One-hop Neighbors）进行表示学习和推理，缺乏对知识图谱多跳路径信息的建模能力，因此适用于短时序建模。例如，Lin等［14］设计了一种基于时空知识图谱和短时序推理的水稻施肥策略。
长时序推理关注实体及其关系在长时间尺度下的演化规律。RNN（Recurrent Neural Network）、LSTM和Transformer等模型可用于粮食生产的历史信息建模。如CyGNet（Recurrent Neural Network）模型［102］通过结合全局历史信息预测未来时间戳的实体和关系。TANGO（Temporal Attention for Neural Graph-based Optimization）［103］、TITer（Temporal Iterative Transformer）［104］、CEN（Contextualized Embedding Network）［105］等模型结合时间信息和图神经网络，增强了长时序性推理能力。然而，这些方法未能有效捕捉实体关系和静态属性之间的相似性，影响了长时序推理的效果。此外，HyTE未能区分时间对不同实体的影响，从而限制了时间信息的有效利用，导致其在粮食生产长时序知识预测（Long-term Knowledge Prediction）任务（如粮食遥感估产）中的适用性受限。为提升时间信息的利用效率，DE-SimplE ［106］通过将实体和时间信息作为输入，以获取实体在任何时间戳下的嵌入表示。但该模型忽略了时间信息对关系的影响。因此，在关系受时间变化影响较大的任务场景（如农作物病害传播）中，其适用性较弱，也适用于粮食生产的长时序知识预测。
周期性推理关注实体及其关系的周期性变化，通过固定循环建模复发关系，考虑历史结构信息和实体的演化影响，适用于具有季节性和周期性的农业活动（如作物生长、施肥周期等）。相关研究包括TIMEPLEX（Time-aware Multiplex Embedding Model）模型［107］通过将时间差异建模为显式特征，捕捉复发关系的周期性变化。ATiSE（Analytical Time-aware Knowledge Graph Embedding with Stochastic Embeddings）［108］模型结合时间序列分解和高斯分布，用于建模农作物生长关键节点的时间差异。例如每年2月20日—3月10日是冬小麦返青期，该模型能够准确建模这一时间范围内的作物生长状态变化。考虑到不同地域的同一类作物在生长关键时间点可能存在细微差距，农业知识图谱可将这些关键时间点的子图（如返青期小麦病虫害知识图谱）映射到多维高斯分布的空间，以更好地模拟时间推移对实体与关系的影响。
因此，农业知识图谱的时序推理关键在于动态建模和时间演化，涵盖短时序、长时序和周期性推理等不同任务，通过增加时间信息约束和建模实体关系的动态演化，提高了对粮食生产过程的预测能力。尽管现有模型在短时序推理上取得了一定成功，但在长时序和周期性推理中仍面临一些挑战，未来的研究将侧重于优化这些模型，以更好地支持粮食生产的长期预测与决策支持。

4 粮食生产大数据知识图谱应用

本文综述了粮食生产大数据的结构、关系和语义表示方法，尽管已有研究在某些领域取得了一定进展，但在粮食生产全链条的知识图谱应用方面，基于农业知识图谱驱动的粮食生产大数据智能平台面临技术应用门槛高、用户需求个性化难以满足、知识更新滞后等问题，因此亟需构建一套具备自进化学习能力的新型平台。该平台的设计架构如图3所示。
图3 粮食生产大数据知识图谱应用结构图

Fig. 3 Architecture of knowledge graph application technologies for grain production big data

面向全国、省域、县域和规模化农场，聚焦“大数据治理-自主决策算法-智能应用”的研究主线，粮食生产大数据智能平台涵盖以下四个核心研究方向。
（1）多源异构粮食生产大数据治理技术与标准规范。针对粮食生产数据的多源异构性，探索跨尺度“空天地”感知、跨领域粮食生产作业、跨模态农业资源环境数据获取技术，提升数据的完整性、准确性和时效性。重点研究多模态数据的获取与融合。其中，卫星遥感利用高光谱、雷达和多光谱遥感技术，获取大尺度作物生长、土壤湿度、气象变化等信息。无人机低空遥感通过高分辨率可见光、红外和激光雷达传感器，实现田间精细作物状态监测。地面物联网传感器，部署农业气象站、土壤水分传感器、智能农机终端等，实现作物生长、土壤环境和田间作业的精准数据采集。农机与作业数据，通过北斗/全球定位系统（Global Positioning System, GPS）设备和农机智能终端采集作业轨迹、作物产量、施肥与病虫害防治等信息，实现农机作业数据的精准采集与分析。基于上述多模态数据获取体系，结合分布式存储与云计算技术，构建数据清洗、配准、存储与挖掘的管理策略，实现粮食生产数据的安全存储、快速访问与智能化管理。具体构建“天-空-地”多尺度数据获取体系，标准化粮食生产数据的获取流程，提高数据的可用性和一致性；研发大数据的清洗、汇聚、融合，以及存储管理方法，优化数据预处理流程，提升数据质量和计算效率；制定数据安全保护与共享机制，通过区块链、联邦学习等技术保障数据隐私，实现跨部门、跨区域的粮食生产数据高效共享和安全利用。
（2）粮食生产大数据知识图谱与时序推理。挖掘多源异构数据中的细粒度知识，解决农业知识图谱中实体与关系的获取问题。发展时序推理模型与多模态知识图谱的动态建模，进行粮食生产过程的长期与短期预测；探索生成式大语言模型与知识图谱融合，通过深度学习与自然语言处理技术，从多源异构数据中自动提取粮食生产相关实体与关系，提升农业知识的双向推理能力；发展数据驱动与知识引导的知识图谱推理演化技术，为农业应用提供开放支持。
（3）自主决策算法与粮食生产优化。基于大数据与机理模型协同优化，发展粮食生产的智能决策算法，提升生产效益与可持续性。开发多尺度、多目标的种植规划优化算法，确保粮食安全与生态可持续；精准农业决策算法，结合作物生长监测、遥感与气象数据，优化农业投入与作物管理；农机智能调度与协同作业算法，提高作业效率与资源利用率；通过综合效益评价、粮食产量预测与粮食安全预警的产后定量评估，提升粮食生产的效益，同时确保生态环境的可持续发展，实现经济效益与生态效益的双赢。
（4）基于云边端协同计算的粮食生产大数据平台构建。针对现有粮食生产大数据平台在响应迟缓与功能缺失方面的问题，构建高效、智能、可扩展的大数据平台，提升粮食生产的智能化与精准化水平。构建数字孪生粮食生产场景模型，结合多源数据（遥感、气象、农机作业、土壤监测等），实现对生产全过程的实时监测、预测分析与优化调控。开发云边端协同计算技术，依托云平台，构建粮食生产大数据智能分析系统，实现大规模数据处理、智能模型训练与跨区域资源共享，在农田传感器、农机设备、气象站等端侧部署轻量级AI模型，进行实时数据处理与初步决策，降低数据传输延迟，提高响应速度；基于智能移动终端（如农机车载系统、智能手机、无人机遥控设备等），为农业生产者提供实时生产监测、预警分析与远程决策支持；构建智能任务分配机制，动态调整计算任务在云、边、端之间的分配策略，提高计算资源利用率，实现高效、低延迟、低能耗的智能计算模式。粮食主产省域的生产全程精准管理，构建省域级粮食生产全链条监测体系，涵盖耕种管收全流程，支持从播种、施肥、灌溉、病虫害防治到收获的全程智能管理；构建主产省域的粮食生产智能监测网络，实现种植结构优化、精准施肥、病虫害预测与预警；结合区域气象、土壤条件与历史数据，提供个性化种植策略，优化水肥管理，降低自然灾害和气候变化带来的风险，提高粮食生产的稳定性；推动区域智能化农业应用示范，通过云边端协同计算提供精细化种植指导、智能农机调度、远程农技支持，提升粮食主产区的生产管理效率和资源利用率。最后依托国家与区域级农业大数据中心，推进智能农业技术在粮食生产中的大规模应用，推动农业现代化与智能化升级。

5 总结与展望

5.1　难点及挑战

本文综述了粮食生产大数据的结构、关系和语义表示方法，提出了一种基于数据驱动与知识引导相结合的知识图谱构建与推理框架。该框架从粮食生产全过程出发，涵盖了产前种植规划、产中生产监测-水肥药配方投入-农机调度，以及产后效益评价等多个应用场景，并深入探讨了粮食生产本体构建、多模态命名实体识别、多模态实体链接，以及时序推理等关键技术。然而，现有的研究进展仍存在一定的问题，需要进一步优化与完善。
（1）本体构建与数据整合。现有研究大多集中在粮食生产本体的构建及其数据整合。粮食生产作为一个复杂系统，涉及的知识面广泛，且跨学科交叉性强，因此，本体的构建不仅需要从农业科学、气象学、土壤学等多个领域的专家知识出发，还需与粮食生产过程实际紧密结合，确保其具有足够的实践指导性和可操作性。但是，这些粮食生产数据类型繁多，如气象数据、土壤数据、作物生长监测数据、农机作业数据等不仅结构各异，且数据质量和采集标准不统一。如何有效整合和标准化处理不同来源、格式和结构的数据，并确保数据在不同来源间的无缝对接，是知识图谱应用的关键挑战。
（2）命名实体识别与实体链接。粮食生产的大数据是多模态的（如文本、图像、传感器数据等），为命名实体识别和实体链接带来了较大的挑战。传统的命名实体识别技术主要依赖于纯文本信息，但在多模态环境下，如何跨越不同数据形式的障碍、准确识别并链接实体，仍是一个亟待解决的问题。且随着新的数据源和知识的不断涌现，如何快速从不同形式的数据中提取有效信息，持续更新和维护一个准确、全面且具有时效性的粮食生产多模态知识图谱是一个复杂而持续的任务，也是知识图谱应用的技术挑战。
（3）时序推理与动态决策支持。粮食生产是一个动态过程，受气候、环境等多种因素影响，随着时间推移不断演化。尽管知识图谱与推理框架在粮食生产决策支持方面已有一定进展，但现有的时序推理方法在处理复杂的时空关联性时仍存在精准度、实时性和可解释性不足的问题。当前方法难以全面捕捉粮食生产在不同时间尺度下的动态变化，导致预测精度受限。同时，在大规模数据计算和实时决策支持方面，计算开销大、响应速度慢，影响生产管理的及时性。此外，深度学习和知识图谱推理方法往往是“黑箱”模型，缺乏清晰的推理逻辑和可视化结果，降低了农业专家与决策者的信任度。因此，在大数据背景下，提升时序推理的精度、实时性和可解释性，构建适用于粮食生产的动态决策支持系统，是知识图谱应用面临的重大挑战，也是推动精准农业和可持续发展的关键方向。
此外，粮食生产涉及大量的敏感数据，包括农田信息、农药使用记录等。保护数据的隐私和安全是一个重要的挑战。
多模态农业知识图谱的研究与应用同样面临着诸多难点与挑战。在理论上，如何保证农业知识图谱的质量评估、图谱可解释性、知识表示的可计算性；在技术上，如何高效解决农业数据质量参差不齐、语义表达多样问题，突破复杂农业场景下知识的自动化构建与更新机制；在应用上，如何打破农业跨部门、跨源、跨领域的数据壁垒，如何加强农业AI企业与农业主体之间的供需对接，都是知识图谱在粮食生产大数据应用的难点与挑战。总体来看，破解农业知识密集型应用的“最后一公里”问题，实现从实验室到田间的创新价值转化，需要政府、高校、企业、涉农机构等多方的协同努力，以开放包容的态度推动多模态农业知识服务在更广泛领域和更深层次的应用。

5.2　展望及建议

未来，随着智能化农业的不断发展，基于知识图谱的粮食生产决策支持系统将呈现出更加多样化和智能化的趋势，主要发展方向如下。
（1）统一数据标准与平台建设。为克服数据异构性问题，未来的研究将更加注重建立统一的数据标准和共享平台，促进不同数据源之间的有效对接。通过建立行业标准和数据格式规范，提升粮食生产大数据的可交换性和可共享性，进而促进数据整合与共享利用。
（2）深化多模态数据融合技术。随着物联网、遥感技术和大数据技术的进步，多模态数据的采集和处理将成为智能农业的核心组成部分。深度学习与图像识别技术将进一步融入粮食生产的数据处理环节，通过精确的多模态数据融合和智能推理模型，为粮食生产提供更加精准的决策支持。
（3）加强推理模型的可解释性与透明度。为了提高推理模型在实际应用中的可信度与可操作性，未来的研究将更加关注推理模型的可解释性。通过对推理过程和结果的透明化呈现，决策者能够更好地理解决策背后的逻辑，从而增强系统的应用信心。
（4）智能化决策支持系统的全流程应用。知识图谱技术将在粮食生产全过程中得到更广泛的应用，从产前的调度规划到产中的精准管理，再到产后的评估与反馈。尤其是在精准农业、气象灾害预警、作物病虫害防治等领域，智能化决策支持系统将大幅提高粮食生产的效率和可持续性。
综上所述，粮食生产大数据的知识图谱技术将在未来农业生产中扮演越来越重要的角色，它不仅能够提升粮食生产的智能化水平，还将在保障国家粮食安全、推动农业现代化等方面发挥重大作用。随着技术的不断进步与完善，基于知识图谱的智能决策支持系统将在未来的粮食生产中发挥越来越重要的作用，推动粮食生产向更高效、更可持续的方向发展。粮食生产知识图谱智能决策支持系统也是农业数字化、网络化和智能化的发展趋势，指出新一代信息技术与农业生产的深度融合将推动农业生产方式的革命性变革。特别是多模态农业知识图谱在智慧农业中的核心作用，能够推动精准农业、数字农业等新兴模式的发展，为农业生产管理的转型提供理论和技术支持。同时，随着数字乡村和农业物联网技术的普及，多源农业时空大数据的汇聚为农业数据资源的最大化利用提供了新思路。

利益冲突声明

本研究不存在研究者以及与公开研究成果有关的利益冲突。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
周国民. 我国农业大数据应用进展综述[J]. 农业大数据学报, 2019, 1(1): 16-23.

ZHOU G M. Progress in the application of big data in agriculture in China[J]. Journal of agricultural big data, 2019, 1(1): 16-23.

2
叶思菁, 宋长青, 程昌秀, 等. 中国耕地资源利用的“五化”态势与治理对策[J]. 中国科学院院刊, 2023, 38(12): 1962-1976.

YE S J, SONG C Q, CHENG C X, et al. Five issues and countermeasures of China cropland resource use[J]. Bulletin of Chinese academy of sciences, 2023, 38(12): 1962-1976

3
HOGAN A, BLOMQVIST E, COCHEZ M, et al. Knowledge graphs[J]. ACM computing surveys, 2022, 54(4): 1-37.

4
PRATAP DEB NATH R, RANI DAS T, CHANDRO DAS T, et al. Knowledge graph generation and enabling multidimensional analytics on Bangladesh agricultural data[J]. IEEE access, 2024, 12: 87512-87531.

5
赵瑞雪, 杨晨雪, 郑建华, 等. 农业智能知识服务研究现状及展望[J]. 智慧农业(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[J]. Smart agriculture, 2022, 4(4): 105-125.

6
姜侯, 杨雅萍, 孙九林. 农业大数据研究与应用[J]. 农业大数据学报, 2019, 1(1): 5-15.

JIANG H, YANG Y P, SUN J L. Research and application of big data in agriculture[J]. Journal of agricultural big data, 2019, 1(1): 5-15.

7
张玉成, 张晓博, 高树琴, 等. “伏羲农场”： 智慧农业技术集成创新的实践探索与思考[J]. 中国科学院院刊, 2025, 40(2): 301-309.

ZHANG Y C, ZHANG X B, GAO S Q, et al. The fuxi farm: Practice and reflection on integrated innovation of smart agriculture technology[J]. Bulletin of Chinese academy of sciences, 2025, 40(2): 301-309.

8
周济, TARDIEU F, PRIDMORE T, 等. 植物表型组学: 发展、现状与挑战[J]. 南京农业大学学报, 2018, 41(4): 580-588.

ZHOU J, TARDIEU F, PRIDMORE T, et al. Plant phenomics: History, present status and challenges[J]. Journal of Nanjing agricultural university, 2018, 41(4): 580-588.

9
陈学庚, 温浩军, 张伟荣, 等. 农业机械与信息技术融合发展现状与方向[J]. 智慧农业(中英文), 2020, 2(4): 1-16.

CHEN X G, WEN H J, ZHANG W R, et al. Advances and progress of agricultural machinery and sensing technology fusion[J]. Smart agriculture, 2020, 2(4): 1-16.

10
李振洪, 朱武, 余琛, 等. 影像大地测量学发展现状与趋势[J]. 测绘学报, 2023, 52(11): 1805-1834.

LI Z H, ZHU W, YU C, et al. Development status and trends of imaging geodesy[J]. Acta geodaetica et cartographica sinica, 2023, 52(11): 1805-1834.

11
唐闻涛, 胡泽林. 农业知识图谱研究综述[J]. 计算机工程与应用, 2024, 60(2): 63-76.

TANG W T, HU Z L. A review of agricultural knowledge graph research[J]. Journal of Computer engineering and applications, 2024, 60(2): 63-76.

12
VEENA G, GUPTA D, KANJIRANGAT V. Semi-supervised bootstrapped syntax-semantics-based approach for agriculture relation extraction for knowledge graph creation and reasoning[J]. IEEE access, 2023, 11: 138375-138398.

13
ZHANG D D, ZHAO R X, XIAN G J, et al. A new model construction based on the knowledge graph for mining elite polyphenotype genes in crops[J]. Frontiers in plant science, 2024, 15: ID 1361716.

14
LIN Y T, LI D C, PENG P, et al. A reasoning method for rice fertilization strategy based on spatiotemporal knowledge graph[J]. Transactions in GIS, 2024, 28(4): 902-924.

15
TOGNINALLI M, WANG X, KUCERA T, et al. Multi-modal deep learning improves grain yield prediction in wheat breeding by fusing genomics and phenomics[J]. Bioinformatics, 2023, 39(6): ID btad336.

16
JING R Z, LI P. Knowledge graph for integration and quality traceability of agricultural product information[J]. Frontiers in sustainable food systems, 2024, 8: ID 1389945.

17
FOUNTAS S, ESPEJO-GARCIA B, KASIMATI A, et al. The future of digital agriculture: Technologies and opportunities[J]. IT professional, 2020, 22(1): 24-28.

18
HOU X, ONG S K, NEE A Y C, et al. GRAONTO: A graph-based approach for automatic construction of domain ontology[J]. Expert systems with applications, 2011, 38(9): 11958-11975.

19
ZHOU Z P, GOH Y M, SHEN L J. Overview and analysis of ontology studies supporting development of the construction industry[J]. Journal of computing in civil engineering, 2016, 30(6): ID 04016026.

20
NISMI MOL E A, SANTOSH KUMAR M B. Review on knowledge extraction from text and scope in agriculture domain[J]. Artificial intelligence review, 2023, 56(5): 4403-4445.

21
贺纯佩, 李思经. 农业叙词表在中国的发展和农业本体论展望[J]. 农业图书情报学刊, 2003, 15(4): 16-19.

HE C P, LI S J. Agricultural thesaurus development and prospect of agricultural ontology in China[J]. Journal of library and information sciences in agriculture, 2003, 15(4): 16-19.

22
鲜国建. 农业科学叙词表向农业本体转化系统的研究与实现[D]. 北京: 中国农业科学院, 2008.

XIAN G J. Research and implementation of the system for transforming agricultural thesaurus into agricultural ontology[D]. Beijing: Chinese Academy of Agricultural Sciences, 2008.

23
LI J, SUN A X, HAN J L, et al. A survey on deep learning for named entity recognition[J]. IEEE transactions on knowledge and data engineering, 2022, 34(1): 50-70.

24
HOOD A S C, SHACKELFORD G E, CHRISTIE A P, et al. A systematic map of cassava farming practices and their agricultural and environmental impacts using new ontologies: Agri-ontologies 1.0[J]. Ecological solutions and evidence, 2023, 4(2): ID e12249.

25
郑颖, 金松林, 张自阳, 等. 基于本体的小麦病虫害问答系统构建与实现[J]. 河南农业科学, 2016, 45(6): 143-146.

ZHENG Y, JIN S L, ZHANG Z Y, et al. Construction of question answering system related to wheat diseases and insect pests based on ontology[J]. Journal of Henan agricultural sciences, 2016, 45(6): 143-146.

26
李悦, 孙坦, 鲜国建, 等. 面向多源数据深度融合的农作物病虫害本体构建研究[J]. 数字图书馆论坛, 2021(2): 2-10.

LI Y, SUN T, XIAN G J, et al. Research on ontology construction of crop diseases and pests for deep fusion of multi-source data[J]. Digital library forum, 2021(2): 2-10.

27
王川, 刘尚旺, 杨彧昕, 等. 小麦草害本体知识库构建研究[J]. 河南师范大学学报(自然科学版), 2014, 42(6): 138-142.

WANG C, LIU S W, YANG Y X, et al. Study on construction of ontology knowledge base for wheat-weed[J]. Journal of Henan normal university (natural science edition), 2014, 42(6): 138-142.

28
曹丽英, 姚玉霞, 于合龙, 等. 基于模糊本体的玉米病害诊断模型的构建[J]. 华南农业大学学报, 2014, 35(2): 101-104.

CAO L Y, YAO Y X, YU H L, et al. Construction of the model in maize disease diagnosis based on fuzzy ontology[J]. Journal of south China agricultural university, 2014, 35(2): 101-104.

29
卜伟琼, 方逵, 张晓玲, 等. 基于本体的柑橘病虫害知识模型构建[J]. 江苏农业科学, 2013, 41(10): 363-366.

BU W Q, FANG K, ZHANG X L, et al. Construction of knowledge model of Citrus diseases and insect pests based on ontology[J]. Jiangsu agricultural sciences, 2013, 41(10): 363-366.

30
姜大庆, 蔡银杰. 基于本体的蔬菜病虫害知识库构建[J]. 江苏农业科学, 2012, 40(7): 368-370.

JIANG D Q, CAI Y J. Ontology-based knowledge base construction of vegetable diseases and pests[J]. Jiangsu agricultural sciences, 2012, 40(7): 368-370.

31
SANJU SARAVANAN K, BHAGAVATHIAPPAN V. Innovative agricultural ontology construction using NLP methodologies and graph neural network[J]. Engineering science and technology, an international journal, 2024, 52: ID 101675.

32
GHAZAL R, MALIK A K, QADEER N, et al. Intelligent role-based access control model and framework using semantic business roles in multi-domain environments[J]. IEEE access, 2020, 8: 12253-12267.

33
AYDIN S, AYDIN M N. Ontology-based data acquisition model development for agricultural open data platforms and implementation of OWL2MVC tool[J]. Computers and electronics in agriculture, 2020, 175: ID 105589.

34
RAJENDRAN D, VIGNESHWARI S. Design of agricultural ontology based on levy flight distributed optimization and Naïve Bayes classifier[J]. Sādhanā, 2021, 46(3): ID 141.

35
TA C D C, TRAN T K. Constructing a subject-based ontology through the utilization of a semantic knowledge graph[J]. International journal of information technology, 2024, 16(2): 1063-1071.

36
MAHMOOD K, MOKHTAR R, RAZA M A, et al. Ecological and confined domain ontology construction scheme using concept clustering for knowledge management[J]. Applied sciences, 2023, 13(1): ID 32.

37
杨飘, 董文永. 基于BERT嵌入的中文命名实体识别方法[J]. 计算机工程, 2020, 46(4): 40-45, 52.

YANG P, DONG W Y. Chinese named entity recognition method based on BERT embedding[J]. Computer engineering, 2020, 46(4): 40-45, 52.

38
GAO W C, ZHENG X H, ZHAO S S. Named entity recognition method of Chinese EMR based on BERT-BiLSTM-CRF[J]. Journal of physics: Conference series, 2021, 1848(1): ID 012083.

39
CHANG Y, KONG L, JIA K J, et al. Chinese named entity recognition method based on BERT[C]// 2021 IEEE International Conference on Data Science and Computer Application (ICDSCA). Piscataway, New Jersey, USA: IEEE, 2021: 294-299.

40
琚生根, 李天宁, 孙界平. 基于关联记忆网络的中文细粒度命名实体识别[J]. 软件学报, 2021, 32(8): 2545-2556.

JU S G, LI T N, SUN J P. Chinese fine-grained Name entity recognition based on associated memory networks[J]. Journal of software, 2021, 32(8): 2545-2556.

41
LI Z P, CAO S, ZHAI M Y, et al. Multi-level semantic enhancement based on self-distillation BERT for Chinese named entity recognition[J]. Neurocomputing, 2024, 586: ID 127637.

42
李林, 周晗, 郭旭超, 等. 基于多源信息融合的中文农作物病虫害命名实体识别[J]. 农业机械学报, 2021, 52(12): 253-263.

LI L, ZHOU H, GUO X C, et al. Named entity recognition of diseases and insect pests based on multi source information fusion[J]. Transactions of the Chinese society for agricultural machinery, 2021, 52(12): 253-263.

43
赵鹏飞, 赵春江, 吴华瑞, 等. 基于注意力机制的农业文本命名实体识别[J]. 农业机械学报, 2021, 52(1): 185-192.

ZHAO P F, ZHAO C J, WU H R, et al. Named entity recognition of Chinese agricultural text based on attention mechanism[J]. Transactions of the Chinese society for agricultural machinery, 2021, 52(1): 185-192.

44
JIE Z M, LU W. Dependency-guided LSTM-CRF for named entity recognition[C]// Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP). Stroudsburg, PA, USA: ACL, 2019: 3860-3870.

45
GUO X C, ZHOU H, SU J, et al. Chinese agricultural diseases and pests named entity recognition with multi-scale local context features and self-attention mechanism[J]. Computers and electronics in agriculture, 2020, 179: ID 105830.

46
沈利言, 姜海燕, 胡滨, 等. 水稻病虫草害与药剂实体关系联合抽取算法[J]. 南京农业大学学报, 2020, 43(6):1151-1161.

SHEN L Y, JIANG H Y, HU B, et al. A study on joint entity recognition and relation extraction for rice diseases pests weeds and drugs[J]. Journal of nanjing agricultural university, 2020, 43(6):1151-1161.

47
WANG C, GAO J L, RAO H D, et al. Named entity recognition (NER) for Chinese agricultural diseases and pests based on discourse topic and attention mechanism[J]. Evolutionary intelligence, 2024, 17(1): 457-466.

48
PANOUTSOPOULOS H, ESPEJO-GARCIA B, RAAIJMAKERS S, et al. Investigating the effect of different fine-tuning configuration scenarios on agricultural term extraction using BERT[J]. Computers and electronics in agriculture, 2024, 225: ID 109268.

49
NISMI MOL E A, SANTOSH KUMAR M B. End-to-end framework for agricultural entity extraction: A hybrid model with transformer[J]. Computers and electronics in agriculture, 2024, 225: ID 109309.

50
VEENA G, KANJIRANGAT V, GUPTA D. AGRONER: An unsupervised agriculture named entity recognition using weighted distributional semantic model[J]. Expert systems with applications, 2023, 229: ID 120440.

51
ZHANG W H, WANG C S, WU H R, et al. Research on the Chinese named-entity–relation-extraction method for crop diseases based on BERT[J]. Agronomy, 2022, 12(9): ID 2130.

52
计洁, 金洲, 王儒敬, 等. 基于递进式卷积网络的农业命名实体识别方法[J]. 智慧农业(中英文), 2023, 5(1): 122-131.

JI J, JIN Z, WANG R J, et al. Progressive convolutional net based method for agricultural named entity recognition[J]. Smart agriculture, 2023, 5(1): 122-131.

53
YU J F, JIANG J, YANG L, et al. Improving multimodal named entity recognition via entity span detection with unified multimodal transformer[C]// Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. Online. Stroudsburg, PA, USA: ACL, 2020: 3342-3352.

54
LU D, NEVES L, CARVALHO V, et al. Visual attention model for Name tagging in multimodal social media[C]// Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers). Stroudsburg, PA, USA: ACL, 2018: 1990-1999.

55
GONG Y C, LYU X Q, YUAN Z, et al. GNN-based multimodal named entity recognition[J]. The computer journal, 2024, 67(8): 2622-2632.

56
ZHAO F, LI C H, WU Z, et al. Learning from different text-image pairs: A relation-enhanced graph convolutional network for multimodal NER[C]// Proceedings of the 30th ACM International Conference on Multimedia. New York, USA: ACM, 2022: 3983-3992.

57
SUN L, WANG J Q, ZHANG K, et al. RpBERT: A text-image relation propagation-based BERT model for multimodal NER[J]. Proceedings of the AAAI conference on artificial intelligence, 2021, 35(15): 13860-13868.

58
WANG P, CHEN X H, SHANG Z Y, et al. Multimodal named entity recognition with bottleneck fusion and contrastive learning[J]. IEICE transactions on information and systems, 2023, 106(4): 545-555.

59
CUI S Y, CAO J X, CONG X, et al. Enhancing multimodal entity and relation extraction with variational information bottleneck[J]. ACM transactions on audio, speech, and language processing, 2024, 32: 1274-1285.

60
LU F, YANG X, LI Q, et al. Few-shot multimodal named entity recognition based on mutlimodal causal intervention graph[C]// Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC/COLING) Torino, Italy, 2024: 7208-7219.

61
ZHENG C M, WU Z W, WANG T, et al. Object-aware multimodal named entity recognition in social media posts with adversarial learning[J]. IEEE transactions on multimedia, 2021, 23: 2520-2532.

62
WU Z W, ZHENG C M, CAI Y, et al. Multimodal representation with embedded visual guiding objects for named entity recognition in social media posts[C]// Proceedings of the 28th ACM International Conference on Multimedia. New York, USA: ACM, 2020: 1038-1046.

63
ZHANG D, WEI S Z, LI S S, et al. Multi-modal graph fusion for named entity recognition with targeted visual guidance[J]. Proceedings of the AAAI conference on artificial intelligence, 2021, 35(16): 14347-14355.

64
WANG Y P, JIANG C M. Fine-grained multimodal named entity recognition with heterogeneous image-text similarity graphs[J]. International journal of machine learning and cybernetics, 2025, 16(4): 2401-2415.

65
CHEN X, ZHANG N Y, LI L, et al. Hybrid transformer with multi-level fusion for multimodal knowledge graph completion[C]// Proceedings of the 45th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York, USA: ACM, 2022: 904-915.

66
WANG D S, FENG X Q, LIU Z M, et al. 2M-NER: Contrastive learning for multilingual and multimodal NER with language and modal fusion[J]. Applied intelligence, 2024, 54(8): 6252-6268.

67
HE L, WANG Q X, LIU J, et al. Visual clue guidance and consistency matching framework for multimodal named entity recognition[J]. Applied sciences, 2024, 14(6): ID 2333.

68
SHEN W, WANG J Y, HAN J W. Entity linking with a knowledge base: Issues, techniques, and solutions[J]. IEEE transactions on knowledge and data engineering, 2015, 27(2): 443-460.

69
AL-MOSLMI T, GALLOFRE OCANA M, OPDAHL A L, et al. Named entity extraction for knowledge graphs: A literature overview[J]. IEEE access, 2020, 8: 32862-32881.

70
WU Q, TENEY D, WANG P, et al. Visual question answering: A survey of methods and datasets[J]. Computer vision and image understanding, 2017, 163: 21-40.

71
MICHEL F, GANDON F, AH-KANE V, et al. Covid-on-the-web: Knowledge graph and services to advance COVID-19 research[C]// The Semantic Web-ISWC 2020. Cham, Germany: Springer International Publishing, 2020: 294-310.

72
VAN HULST J M, HASIBI F, DERCKSEN K, et al. REL: An entity linker standing on the shoulders of giants[C]// Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York, USA: ACM, 2020: 2197-2200.

73
PAPANTONIOU K, EFTHYMIOU V, PLEXOUSAKIS D. Automating linking named entities in diderot's encyclopédie to wikidatabenchmark generation for named entity recognition and entity linking[C]// The Semantic Web: ESWC 2023 Satellite Events. Cham, Germany: Springer Nature Switzerland, 2023: 143-148.

74
LOUKACHEVITCH N, ARTEMOVA E, BATURA T, et al. NEREL: A Russian information extraction dataset with rich annotation for nested entities, relations, and wikidata entity links[J]. Language resources and evaluation, 2024, 58(2): 547-583.

75
DE CAO N, WU L, POPAT K, et al. Multilingual autoregressive entity linking[J]. Transactions of the association for computational linguistics, 2022, 10: 274-290.

76
ZHENG Q S, WEN H, WANG M, et al. Faster zero-shot multi-modal entity linking via visual-LinguisticRepresentation[J]. Data intelligence, 2022, 4(3): 493-508.

77
ZHOU K, LI Y P, WANG Q, et al. GenDecider: Integrating "none of the candidates" judgments in zero-shot entity linking re-ranking[C]// Proceedings of the 2024 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (Volume 2: Short Papers). Stroudsburg, PA, USA: ACL, 2024: 239-245.

78
LUO P F, XU T, WU S W, et al. Multi-grained multimodal interaction network for entity linking[C]// Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. New York, USA. ACM, 2023: 1583-1594.

79
VEMPALA A, PREOŢIUC-PIETRO D. Categorizing and inferring the relationship between the text and image of twitter posts[C]// Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics. Stroudsburg, PA, USA: ACL, 2019: 2830-2840.

80
PAUL B, RUDRAPAL D, CHAKMA K, et al. Multimodal machine translation approaches for Indian languages: A comprehensive survey[J]. Journal of universal computer science, 2024, 30(5): 694-717.

81
JI S X, PAN S R, CAMBRIA E, et al. A survey on knowledge graphs: Representation, acquisition, and applications[J]. IEEE transactions on neural networks and learning systems, 2022, 33(2): 494-514.

82
DOST S, SERAFINI L, ROSPOCHER M, et al. VTKEL: A resource for visual-textual-knowledge entity linking[C]// Proceedings of the 35th Annual ACM Symposium on Applied Computing. New York, USA: ACM, 2020: 2021-2028.

83
ZHA E Z, ZENG D L, LIN M, et al. CEPTNER: Contrastive learning Enhanced Prototypical network for Two-stage few-shot Named Entity Recognition[J]. Knowledge-based systems, 2024, 295: ID 111730.

84
GAN J R, LUO J C, WANG H W, et al. Multimodal entity linking: A new dataset and a baseline[C]// Proceedings of the 29th ACM International Conference on Multimedia. New York, USA: ACM, 2021: 993-1001.

85
YANG C, HE B, WU Y, et al. MMEL: A joint learning framework for multi-mention entity linking[C]// the 39th Conference on Uncertainty in Artificial Intelligence (UAI 2023). New York, USA: PMLR, 2023: 2411-2421.

86
TOUVRON H, CORD M, DOUZE M, et al. Training data-efficient image transformers & distillation through attention[EB/OL]. arXiv: 2012.12877, 2020.

87
BORTH D, JI R R, CHEN T, et al. Large-scale visual sentiment ontology and detectors using adjective noun pairs[C]// Proceedings of the 21st ACM International Conference on Multimedia. New York, USA: ACM, 2013: 223-232.

88
SONG S Z, ZHAO S, WANG C Y, et al. A dual-way enhanced framework from text matching point of view for multimodal entity linking[J]. Proceedings of the AAAI conference on artificial intelligence, 2024, 38(17): 19008-19016.

89
LUO P F, XU T, LIU C, et al. Bridging gaps in content and knowledge for multimodal entity linking[C]// Proceedings of the 32nd ACM International Conference on Multimedia. New York, USA: ACM, 2024: 9311-9320.

90
LIU Q, HE Y Y, XU T, et al. UniMEL: A unified framework for multimodal entity linking with large language models[C]// Proceedings of the 33rd ACM International Conference on Information and Knowledge Management. New York, USA: ACM, 2024: 1909-1919.

91
ZHANG Z, SHENG J, ZHANG C, et al. Optimal Transport Guided Correlation Assignment for Multimodal Entity Linking[C]// Findings of the Association for Computational Linguistics (ACL) 2024. Stroudsburg, PA, USA: ACL, 2024, 4103-4117.

92
SUI X H, ZHANG Y, ZHAO Y, et al. MELOV: Multimodal entity linking with optimized visual features in latent space[C]// Findings of the Association for Computational Linguistics ACL 2024. Bangkok, Thailand and virtual meeting. Stroudsburg, PA, USA: ACL, 2024: 816-826.

93
JIANG T S, LIU T Y, GE T, et al. Encoding temporal information for time-aware link prediction[C]// Proceedings of the 2016 Conference on Empirical Methods in NaturalLanguage Processing. Stroudsburg, PA, USA: ACL, 2016: 2350-2354.

94
WANG Z, ZHANG J W, FENG J L, et al. Knowledge graph embedding by translating on hyperplanes[J]. Proceedings of the AAAI conference on artificial intelligence, 2014, 28(1): 1112-1119.

95
MOON C, JONES P, SAMATOVA N F. Learning entity type embeddings for knowledge graph completion[C]// Proceedings of the 2017 ACM on Conference on Information and Knowledge Management. New York, USA: ACM, 2017: 2215-2218.

96
YANG W X, YANG S, WANG G P, et al. Knowledge graph construction and representation method for potato diseases and pests[J]. Agronomy, 2024, 14(1): ID 90.

97
JIANG T, LIU T, GE T, et al. Towards time-aware knowledge graph completion[C]// the 26th International Conference on Computational Linguistics: Technical Papers. Osaka, Japan: The COLING 2016 Organizing Committee, 2016: 1715-1724.

98
LEBLAY J, CHEKOL M W. Deriving validity time in knowledge graph[C]// Companion of the The Web Conference 2018. New York, USA: ACM, 2018: 1771-1776.

99
DASGUPTA S S, RAY S N, TALUKDAR P. HyTE: Hyperplane-based temporally aware knowledge graph embedding[C]// Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing. Stroudsburg, PA, USA: ACL, 2018: 2001-2011.

100
ZHANG F, CHEN H Z, SHI Y Z, et al. Joint framework for tensor decomposition-based temporal knowledge graph completion[J]. Information sciences, 2024, 654: ID 119853.

101
SADEGHIAN A, ARMANDPOUR M, COLAS A, et al. ChronoR: Rotation based temporal knowledge graph embedding[J]. Proceedings of the AAAI conference on artificial intelligence, 2021, 35(7): 6471-6479.

102
ZHU C C, CHEN M H, FAN C J, et al. Learning from history: Modeling temporal knowledge graphs with sequential copy-generation networks[J]. Proceedings of the AAAI conference on artificial intelligence, 2021, 35(5): 4732-4740.

103
HAN Z, DING Z F, MA Y P, et al. Learning neural ordinary equations for forecasting future links on temporal knowledge graphs[C]// Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing. Stroudsburg, PA, USA: ACL, 2021: 8352-8364.

104
SUN H H, ZHONG J L, MA Y P, et al. TimeTraveler: Reinforcement learning for temporal knowledge graph forecasting[C]// Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing. Stroudsburg, PA, USA: ACL, 2021: 8306-8319.

105
LI Z X, GUAN S P, JIN X L, et al. Complex evolutional pattern learning for temporal knowledge graph reasoning[C]// Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers). Dublin, Ireland. Stroudsburg, PA, USA: ACL, 2022: 290-296.

106
GOEL R, KAZEMI S M, BRUBAKER M, et al. Diachronic embedding for temporal knowledge graph completion[J]. Proceedings of the AAAI conference on artificial intelligence, 2020, 34(4): 3988-3995.

107
ISLAKOGLU D S, CHEKOL M W, VELEGRAKIS Y. Leveraging pre-trained language models for time interval prediction inText-enhanced temporal knowledge graphs[C]// The Semantic Web. Cham, Germany: Springer Nature Switzerland, 2024: 59-78.

108
JIA W, MA R Z, NIU W N, et al. SFTe: Temporal knowledge graphs embedding for future interaction prediction[J]. Information systems, 2024, 125: ID 102423.

Options
文章导航

/

〈 〉

  • 国际刊号　ISSN 2097-485X（网络）
    　　　　　ISSN 2096-8094（印刷）
    国内刊号　CN 10-1681/S
    CODEN　 ZNZHD7
    主管：中华人民共和国农业农村部
    主办：中国农业科学院农业信息研究所
  • 地址：北京市海淀区中关村南大街12号中国农业科学院农业信息研究所
    邮编：100081
    电话：010-82109657
    E-mail：smartag@caas.cn
京ICP备09089781号-37