Welcome to Smart Agriculture 中文
Smart Agriculture

Smart Agriculture >

2025 1 - 9

DOI: https://doi.org/10.12133/j.smartag.SA202412025

Bi-Intentional Modeling and Knowledge Graph Diffusion for Rice Variety Selection and Breeding Recommendation

  • QIAO Lei , 1 ,
  • CHEN Lei 1, 2 ,
  • YUAN Yuan , 1, 2
Expand
  • 1. School of Electronic and Information Engineering, Anhui Jianzhu University, Hefei 230601, China
  • 2. Institute of Intelligent Machines, HFIPS, Chinese Academy of Sciences, Hefei 230031, China
YUAN Yuan, E-mail:

Received date: 2024-12-31

  Online published: 2025-03-03

Supported by

Subtopic of National Key Research and Development Program of China(2023YFD2000101-01)

National Natural Science Foundation of China(32271981)

Copyright

copyright©2025 by the authors
Fold

Abstract

[Objective] Selection of rice varieties requires consideration of several factors, such as yield, fertility, disease resistance and resistance to downfall. There are many rice varieties in the world, and different rice varieties have different traits. When users select rice varieties, they need to spend a lot of time to retrieve information about different rice varieties and make a selection, which increases the workload to some extent. In order to meet the user's rice variety selection needs, help users quickly access to the rice varieties they need, improve efficiency, and further promote the informatization and intelligence of rice breeding work, the bi-intentional modeling and knowledge graph diffusion model, an advanced method was proposed. [Methods] The research work was mainly carried out at two levels: data and methodology. At the data level, considering the current lack of relevant data support for rice variety selection and breeding recommendation, a certain amount of recommendation dataset was constructed. The rice variety selection recommendation dataset consisted of two parts: interaction data and knowledge graph. For the interaction data, the rice varieties that had been planted in the region were collected on a region-by-region basis, and then a batch of users was simulated and generated from the region. The corresponding rice varieties were assigned to the generated users according to the random sampling method to construct the user-item interaction data. For the knowledge graph, detailed text descriptions of rice varieties were first collected, and then information was extracted from them to construct data in ternary format from multiple varietal characteristics, such as selection unit, varietal category, disease resistance, and cold tolerance. At the methodological level, a model of Bi-intentional Modeling and Knowledge Graph Diffusion (BMKGD) was proposed. The intent factor in the interaction behavior and the denoising process of the knowledge graph were both taken into account by the BMKGD model. Intentions were usually considered from two perspectives: individual independence and conformity. A dual intent space was chosen to be built by the model to represent both perspectives. For the problem of noisy data in the knowledge graph, denoising was carried out by combining the idea of the diffusion model. Random noise was introduced to destroy the original structure when the knowledge graph was initialized, and the original structure was restored through iterative learning. The denoising was completed in this process. After that, cross-view contrastive learning was carried out in both views. [Results and Discussions] The results demonstrated that the method proposed in this paper achieved optimal performance in the rice variety selection dataset, with Recall and NDCG values improved by 2.9% and 3.7% compared to the suboptimal model. The performance improvement validated the effectiveness of the method to some extent, indicating that the BMKGD model was more suitable for rice variety recommendation. The Recall value of the BMKGD model on the rice variety selection dataset was 0.327 6, meeting the basic requirements of the recommendation system. It indicated that the method proposed in this paper could be used in the actual rice variety selection and breeding work to reduce the workload of users in the process of information retrieval and assist users in making decisions. In contrast, traditional knowledge-aware recommendation models did not perform well on the rice variety selection and breeding dataset, underperforming even compared to models without knowledge graph integration. The analysis revealed that the collaborative signals in the interaction data played a major role, while the quality of the constructed knowledge graph still had some room for improvement. The module variants with key components removed all exhibited a decrease in performance compared to the original model, which validated the effectiveness of the modules. The performance degradation of the model variants with each component removed varied, indicating that different components played different roles. The performance drop of the model variant with the cross-view contrastive learning module removed was small, indicating that there was some room for improvement in the module to fully utilize the collaborative relationship between the two views. [Conclusions] The BMKGD model proposed in this paper achieves good performance on the rice variety selection dataset and accomplishes the recommendation task well. It shows that the model can be used to support the rice variety selection and breeding work and help users to select suitable rice varieties. In addition, a certain amount of rice selection and breeding dataset is constructed, which provides data support for the subsequent rice variety recommendation work. Improvements in modeling methods also provide ideas for subsequent work. The research results can be applied to the work of rice variety selection and breeding to reduce the user's workload in information retrieval, and can also provide technical support for scientific breeding.

Key words： rice breeding; knowledge graph; intent modeling; contrastive learning; recommender systems

Cite this article

QIAO Lei , CHEN Lei , YUAN Yuan . Bi-Intentional Modeling and Knowledge Graph Diffusion for Rice Variety Selection and Breeding Recommendation[J]. Smart Agriculture, 2025 : 1 -9 . DOI: 10.12133/j.smartag.SA202412025

（登录www.smartag.net.cn免费获取电子版全文）

0 引 言

水稻作为重要的粮食作物之一，对于国家的粮食安全以及经济发展具有重要意义［1］，优良的品种是实现水稻高产、优质、高效、生态和安全的重要基础［2］。水稻品种的选育需要考虑多个方面，如品种的生育期、产量、米质和抗逆性等［3］，而世界上稻属作物的种类繁多，不同品种又具有不同的特性，如何快速有效地进行水稻品种信息检索，满足用户水稻品种选育需求成为一个重要问题。传统方法在搜索引擎上进行检索，但其返回的结果不能很好地满足用户信息检索的需求，用户还需二次或多次筛选，增加了工作量。近年来，推荐系统［4， 5］在信息检索领域展现出了巨大的潜力，其能够快速及有效地解决用户的需求，为用户提供有价值的相关信息，帮助用户做出决策。
有关推荐系统的研究主要是协同过滤算法［6］，其核心思想是基于对用户历史行为数据的挖掘，发现用户的喜好偏向，并基于不同的偏好对用户进行群组划分，进而完成推荐。He等［7］提出一种基于神经网络的协同过滤模型（Normalized Discounted Cumulative Gain, NDCG），使用非线性的深度神经网络作为交互函数，从而提高推荐系统的性能。Wang等［8］将用户和项目的关系建模为图结构，利用图神经网络强大的特征提取能力来捕获用户和项目之间的高阶关系，有效地将协同信号注入嵌入表示过程中。然而，推荐系统仍面临着数据稀疏和冷启动问题［9］，即缺乏历史交互数据的项目，难以进行准确的建模和推荐。为解决这一问题，相关研究提出将知识图谱中丰富的语义知识作为辅助信息融入协同过滤算法中，用于知识增强的推荐［10-12］。例如，Wang等［13］提出一种基于知识图谱的意图学习框架（Knowledge Graph-based Intent Network, KGIN），通过建模用户意图和关系路径，以捕捉用户与项目之间的复杂交互模式。Yang等［14］提出一种基于知识图谱的对比学习模型（Knowledge Graph Contrastive Learning, KGCL），通过数据增强和正负样本对比学习，以抑制信息聚合过程中的知识图谱噪声［15］，从而学习更稳健的知识感知表征，提高推荐系统的准确性和鲁棒性。
上述方法皆在推荐系统领域取得显著成果，交互数据中的意图因素和知识图谱对于推荐工作有着重要作用。然而，目前水稻品种选育缺少相应的数据支持，此外，在方法层面上，水稻品种选育由用户的意图和品种特性共同决定，现有的方法未考虑二者共同作用下对模型性能的影响，而构建的水稻品种特性的知识图谱在一定程度上存在着噪声问题。
针对上述问题，本研究从数据和方法两方面出发，提出一种（Bi-intentional Modeling and Knowledge Graph Diffusion, BMKGD）模型去噪的推荐模型。在数据层面，通过在一些权威网站上面进行数据收集和处理，构建相应的水稻品种选育数据集作为支撑。在方法层面，同时兼顾意图建模和知识图谱去噪。在意图建模上，引入双意图建模的方法，考虑到用户在选择水稻品种时选育意图的个体独立性和从众性。对于构建的水稻知识图谱中的噪声问题，结合扩散模型，进行去噪处理；之后在不同视图之间进行跨视图对比学习，编码两个视图共享的信息，以提高模型的性能，为用户推荐更相关的水稻品种。

1 水稻品种选育推荐方法架构

水稻品种选育推荐方法架构如图1所示，主要由数据集构建和方法实现两部分组成，在数据集构建部分，首先使用网络爬虫对数据源中的数据进行收集，再对其进行数据处理，生成相应的交互数据和知识图谱数据，并以此构建水稻品种选育推荐数据集。在方法实现部分，输入为交互图和知识图谱，其中交互图由交互数据构建而成，之后经过对应模块的处理完成推荐。
图1 水稻品种选育推荐方法架构

Fig. 1 Rice variety recommendation method architecture

2 数据集构建

2.1　数据获取

本研究使用的数据集为自构建的水稻品种选育数据集，主要由交互数据和知识图谱数据两部分构成。对于交互数据，数据源为政府网站、地区农业农村局和相关新闻资讯，考虑到目前无法获取到具体的用户-项目交互数据，先以县区为单位，在数据源中检索并使用网络爬虫收集该地区历史种植过的水稻品种作为交互数据［16］。再由农业专家指导，以地区为单位模拟生成一批用户，并从该地区历史交互数据中进行随机采样，构建相应的“用户-项目”交互数据。
对于知识图谱数据，数据源为国家水稻数据中心网站（https://www.ricedata.cn/），涵盖了历史审定的水稻品种以和性状描述，使用的采集方法为编写网络信息收集工具，对网站上相关水稻品种的文本描述信息进行采集，再从所属品种、生育期、抗病性、耐寒性和抗倒伏等多个属性出发，对文本信息进行属性抽取，构建相应的知识图谱数据［17-19］，部分交互数据和部分知识图谱数据如表1和图2所示。
表1 水稻交互数据部分示例

Table 1 Partial examples of rice interaction data

地区/用户 交互水稻品种
安徽省合肥市肥西县 荃两优2118、南粳60、隆两优608、徽两优1133、晶两优1237、徽两优719、扬籼优953、桃两优316……隆两优608、桃两优316、Q两优169、吨两优900、深两优008、旺两优1577、南粳2728、玮两优1206
肥西县模拟用户-0 荃两优2118、南粳60……隆两优608、桃两优316
肥西县模拟用户-1 隆两优608、徽两优1133……Q两优169、吨两优900
肥西县模拟用户-2 晶两优1237、徽两优719……深两优008、旺两优1577
肥西县模拟用户-3 扬籼优953、桃两优316……南粳2728、玮两优1206
图2 水稻知识图谱部分示例

Fig. 2 Partial examples of rice knowledge graph

数据在收集过程中，选择了合适的数据收集方法和工具，确保了数据录入的准确性，其次对数据进行清洗，剔除异常值和错误数据，再由专家指导，对数据进行检查验证，以确保数据的可靠性。

2.2　数据集构建

自构建的水稻品种选育数据集共收集了1 051个县区的交互数据，再根据交互数据数量的多少，按照一定的比例模拟生成用户，进一步地扩充到11 235个用户，总交互水稻品种类别数共2 641种，由这些水稻品种构建的知识图谱三元组数共计29 508条，交互数据量共100 603条，并将这些交互数据按7∶2∶1的比例划分为训练集、测试集和验证集。

3 研究方法

本研究提出的BMKGD模型整体架构如图3所示，主要分为三个部分：双意图建模、知识图谱扩散和跨视图对比学习。对于由用户和项目交互数据构建的交互图，建立双意图空间，将用户和项目送入其中，得到增强后的用户和项目表示；对于知识图谱，扩散模型能很好地去除其中的噪声数据，对去噪处理后的知识图谱进行信息聚合，得到相应的项目表示；不同视图间项目表示的对比学习方法能够充分学习到两个视图中的信息，提升推荐效果。
图3 BMKGD模型框架示意图

Fig. 3 The overall framework of BMKGD

3.1　双意图建模

用户在进行项目选择时，通常由意图主导［20］，现有的研究将意图抽象为不可知但可学习的参数表示，取得了一定的进展。然而，这种方法却忽视了用户与项目之间的交互可能性会受到从众性的影响［21, 22］，例如，用户在进行水稻品种选育时，在一定程度上会侧重于知名度更大的水稻品种，而弱化了具体的水稻品种特性。
基于此，本研究从个体独立性和从众性两方面出发，对意图进行建模表示，虽然项目不具有主动性，但仍可以将项目侧的意图理解为其本身所具有的属性，对其进行意图建模。具体的独立性和从众性的意图空间可表示为 C i n d和 C c o n f，并在对应的意图空间中定义 K个意图原型 { c i n d k ∈ C i n d } k = 1 K和 { c c o n f k ∈ C c o n f } k = 1 K，通过将不同的意图原型与用户和项目表示进行信息聚合，得到对应的意图表示，见公式（1）和公式（2）。
E i n d ( u ) = ∑ k K c i n d k P c i n d k | e l u E c o n f ( u ) = ∑ k K c c o n f k P ( c c o n f k | e l ( u ) )
E i n d ( i ) = ∑ k K c i n d k P c i n d k | e l i E c o n f ( i ) = ∑ k K c c o n f k P ( c c o n f k | e l ( i ) )
式中： l表示图神经网络的层数； u、 i分别表示用户、项目； e l ( u ) ∈ E l ( u )、 e l ( i ) ∈ E l ( i )表示用户和项目在第 l层的嵌入表示。用户 u和任意意图 c i n d之间的相关性分数 P ( c i n d k | e l ( u ) )通过公式（3）计算。
P c i n d k | e l u = e x p   ( e l - 1 ( u ) T c i n d k ) ∑ k ' K e x p   ( e l - 1 ( u ) T c i n d k ' )
为了利用高阶协同信息，本研究在不同图层之间执行基于图卷积网络的嵌入传播。
在意图空间中，每种意图都具有独特的语义，如果任意意图可以被其他意图进行表达，则可能会造成语义冗余，这里通过对比正则化以约束意图之间的相似性，定义交互图中双意图建模的损失函数，如公式（4）和公式（5）所示。
I a ' , a ' ' = - l o g e x p   ( s ( a ' , a ' ' ) / τ ) ∑ b ∈ S E e x p   ( s ( a ' , b ) / τ )
L I G = ∑ u ∈ S E I c i n d u , c c o n f u + ∑ i ∈ S E I c i n d i , c c o n f i
式中： s ( ∙ )表示余弦相似度； τ为温度系数，控制着模型对负样本的区分度； S E表示交互图中用户和项目的集合。此处 a '、 a ' '和 b皆为临时表示符号，并无具体含义。

3.2　知识图谱扩散

知识图谱的质量对于推荐模型的性能有着重要影响，而在知识图谱构建过程中不可避免地会引入一些无关的噪声数据，降低模型的性能，因此需要有效地去除噪声。受扩散模型［23, 24］的启发，本研究通过向知识图谱中引入随机噪声以破坏原始的结构，然后再通过迭代学习恢复原有的结构。
知识图谱扩散包含正向和反向两个过程，在正向传播过程中，定义初始状态 X 0下项目与实体属性构成的图结构为原始图结构，并向其不断地添加高斯噪声，从 X t - 1到 X t的过渡可表示为公式（6）。
q X t | X t - 1 = 𝒢 ( X t ; 1 - δ t X t - 1 ,   δ t S I )
式中： t ∈ [ 1 , … , T ]表示扩散步骤； 𝒢表示高斯分布，每一步添加的高斯噪声的规模由 δ t ∈ ( 0,1 )控制； S I表示项目的集合。之后，扩散模型再从 X t状态下的图结构去除添加的噪声，以恢复原始的图结构，去噪过程可表示为公式（7）。
p X t - 1 | X t = 𝒢 X t - 1 ; μ ( X t , t ) , ∑ ( X t , t )
式中： μ ( X t , t )和 ∑ ( X t , t )分别表示由参数化的神经网络生成的高斯分布的均值和协方差。
为避免噪声数据的影响，选择在原始图结构中的项目表示 z o ( i )与生成的图结构中的项目表示 z g ( i )之间进行对比学习，定义知识图谱侧的损失函数如公式（8）所示。
          L K G = ∑ i ∈ S I - l o g e x p   ( s ( z o i , z g i ) / τ ) ∑ j ∈ { i , i ' , i ' ' } ( e x p   s ( z o i , z g j ) / τ + e x p   ( s ( z o j , z g i ) / τ ) )
式中： j ∈ { i , i ' , i ' ' }为项目 i在所有图结构中的表示。
在得到去噪处理的知识图谱后，借助图神经网络［25］的信息聚合机制，得到融合了知识图谱信息的项目表示，再将其引入到具体的推荐任务中，通过交互行为中的协作信号又能增强扩散模型的学习表示。

3.3　多任务学习

在交互图中，通过双意图建模得到增强后的用户和项目表示 e i u和 e i i，同样地，在知识图谱中，经过扩散模型处理后，得到增强后的项目表示 e k i，为了充分利用两个视图间的协作关系，选择对增强后的项目表示进行跨视图对比学习［26, 27］，定义对比学习的损失函数如公式（9）所示。
          L C C L = - l o g e x p ( s ( e i i , e k ( i ) ) / τ ) ∑ k ≠ i e x p ( s ( e i i , e k ( k ) ) / τ ) + ∑ k ≠ i e x p ( s ( e i k , e k ( i ) ) / τ )
式中： k为项目 i在另一视图中的表示。
同现有的推荐模型一致，采用贝叶斯个性化排序（Bayesian Personalized Ranking, BPR）［28］损失函数作为具体的推荐任务，定义推荐任务的损失函数为公式（10）和公式（11）。
L R e c = ∑ ( u , i , j ) ∈ O - l n   ( σ ( y u , i - y u , j ) )
O = u , i , j | u , i ∈ O + , u , j ∈ O - ,    y u , i = e i u T e i i
式中： σ ( ∙ )表示 s i g m o i d激活函数； O +表示用户和项目历史交互数据的集合； O -表示用户和项目历史未交互数据的集合。u、i、j皆为临时表示符号。此外，还使用多任务训练策略［29］来优化模型，将推荐损失与其他各模块的损失联合优化，定义模型的损失函数为公式（12）。
L B M K G D = L R e c + α L I G + β L K G + γ L C C L
式中： α， β和 γ分别表示对应模块的权重参数。

4 结果与分析

4.1　评价指标

为了缓解对项目负采样带来的偏差，这里使用全排策略［30］，具体而言，对于每个目标用户，将其所有未产生交互行为的项目作为负样本，以此来推测其偏好。本研究使用两个常用的评价指标［7, 31］   R e c a l l @ N和归一化折损累计增益（Normalized Discounted Cumulative Gain @N, NDCG@N）评估模型的性能， R e c a l l表示正确识别为正类的实例占所有实际正类实例的比例， N D C G是衡量排名质量的指标， N表示返回的结果数，其通常设置为20。

4.2　参数分析

为进一步探讨各关键模块对于模型性能的影响，本研究设置了专门的实验以测试不同的权重参数对于模型性能的影响，其中，设置双意图模块权重参数 α的变化范围为［100，10，1］，设置知识图谱扩散模块权重参数 β变化范围为［10，1，0.1］，设置跨视图对比学习模块权重参数 γ变化范围为［10，1，0.1］，具体的实验结果如表2—表4所示。
表2 权重参数 α设置对 B M K G D模型性能的影响

Table 2 Effect of weight parameter α setting on BMKGD on model performance

参数 Recall NDCG
α=100 0.324 6 0.148 8
α=10 0.327 6 0.149 9
α=1 0.323 0 0.146 2
表3 权重参数 β设置对 B M K G D模型性能的影响

Table 3 Effect of weight parameter β setting on BMKGD on model performance

参数 Recall NDCG
β=10 0.326 7 0.149 6
β=1 0.327 6 0.149 9
β=0.1 0.327 4 0.149 3
表4 权重参数 γ设置对 B M K G D模型性能的影响

Table 4 Effect of weight parameter γ setting on BMKGD on model performance

参数 Recall NDCG
γ =10 0.322 4 0.145 9
γ =1 0.327 6 0.149 9
γ =0.1 0.324 3 0.148 1
由实验结果可见，当 α设置为10， β设置为1， γ设置为1，模型的性能最佳，偏高或偏低的参数设置，都会造成模型性能的下降。此外，双意图和跨视图对比学习模块对于模型性能的影响较大，其参数的改变导致模型性能的变化较为明显，而知识图谱扩散模型去噪模块则次之，说明双意图模块在推荐任务中发挥着重要作用。

4.3　对比实验

为了验证 B M K G D模型的有效性，将其在水稻品种选育数据集上与不同的基线模型进行比较，主要模型如下。
B P R ［28］：该方法利用矩阵分解的隐式反馈导出成对排名损失。
基于协同过滤和知识图谱特征的模型（Collaborative Knowledge Based Embedding, CKE）［32］：集成协同过滤方法和知识图谱嵌入，丰富了项目侧的表示。
基于知识感知图神经网络和标签平滑的模型（Knowledge-aware Graph Neural Networks with Label Smoothness, KGNN-LS）［33］：考虑了用户对图卷积中的不同知识三元组的偏好，并引入标签平滑作为正则化。
基于知识图谱卷积网络的模型（Konwledge Graph Convolutional Networks, KGCN）［31］：引入图卷积网络整合高阶信息，并使用用户嵌入的偏好作为权重。
基于知识图谱注意力机制的模型（Knowledge Graph Attention Network, KGAT）［34］：引入了协作知识图谱的概念，在知识图谱聚合上使用了注意力机制。
K G I N ［13］：对用户关系意图进行建模，使用关系路径感知聚合以获取知识图谱上的丰富信息。
K G C L ［14］：利用自监督学习来融合知识图谱信息，通过随机破坏图结构生成对比视图，以解决知识图谱中存在的噪声问题。
基于双向意图指导的协同过滤模型（Bilateral Intent-guided Graph Collaborative Filtering, BIGCF）［21］：从因果关系的角度考虑了用户和项目之间的交互，针对交互空间和意图空间提出了图对比正则化。
基于知识图谱扩散的模型（Knowledge Graph Diffusion, DiffKG）［35］：通过扩散模型对知识图谱进行处理，并结合协同知识图卷积机制。
对比结果如表5所示。
表5 BMKGD模型与不同基线模型水稻品种选育的对比结果

Table 5 The overall performance for BMKGD and baseline models of selection of rice varieties

模型 Recall NDCG
BPR 0.283 3 0.129 1
CKE 0.292 7 0.130 8
KGNN-LS 0.274 3 0.115 6
KGCN 0.276 7 0.118 7
KGAT 0.259 7 0.112 7
KGIN 0.283 0 0.125 0
KGCL 0.301 2 0.135 7
BIGCF 0.318 5 0.144 5
DiffKG 0.268 0 0.122 3
BMKGD 0.327 6 0.149 9
由实验结果可见，本研究提出的方法在水稻品种选育数据集取得了最优的表现，其 R e c a l l值和 N D C G值相较于次优模型提升了2.9%和3.7%，性能的提升在一定程度上验证了方法的有效性，说明 B M K G D模型更适用于水稻品种推荐。
B M K G D模型在水稻品种选育数据集上的 R e c a l l值为0.327 6满足推荐系统的基本要求，说明本研究提出的方法可用于实际水稻品种选育工作中，减少用户信息检索过程中的工作量，辅助用户做出决策。
相较于只考虑意图指导的 B I G C F模型和知识图谱去噪的 D i f f K G模型，本研究提出的方法要优于二者，结合具体的推荐任务分析可以得到，交互意图和知识图谱对于推荐预测都有着重要作用，兼顾二者的方法有助于提升推荐效果。
对于考虑到意图因素的模型，如 K G I N模型和 B I G C F模型，都有着不错的表现，意图一定程度上指导着用户做出选择，合理有效地对其进行处理能够更好地分析用户行为。
对于传统的知识感知推荐模型，如 K G C N、 K G A T模型等，在水稻品种选育数据集上并未取得很好的效果，其性能还要弱于未引入知识图谱的模型，如 B P R和 C K E ,分析可得，交互数据中的协同信号发挥着主要作用，同时构建的知识图谱质量还有一定的提升空间。

4.4　消融实验

为评估模型中各关键模块的有效性，设置了三种模型变体：“ w / o   B M”为去除双意图建模，“ w / o   K G D”为去除知识图谱扩散，“ w / o   C C L”为去除跨视图对比学习。消融实验结果如图4所示。
图4 BMKGD模型消融表现评估图

Fig. 4 Evaluation of ablation performance of BMKGD model

由消融实验结果可见，去除关键组件的模块变体相较于原模型，性能都有所下降，这验证了各模块的有效性；去除双意图建模组件的模型变体性能下降较为明显，说明意图因素对于推荐任务有着重要作用；同样地，去除知识图谱扩散去噪模块的模型变体性能也有所下降，在知识图谱构建过程不可避免地会引入无关噪声，去噪处理有助于减少对无关信息的聚合，强化项目的嵌入表示；去除跨视图对比学习模块的模型变体性能下降较小，说明该模块在充分利用两个视图之间的协作关系上还有一定的提升空间，对其进行分析，推测可能是由于经双意图建模处理后的项目表示聚合了意图信息，在进行跨视图对比学习过程中，其中一部分被当作噪声，对模型性能产生了影响。

5 结 论

本研究面向水稻品种选育，构建了一个水稻品种选育推荐数据集，并提出一种BMKGD的推荐模型。模型在交互图中进行双意图建模，考虑到交互意图的个体独立性和从众性；在知识图谱侧，使用了扩散模型去除无关噪声，通过引入随机噪声逐步损坏原始的图结构，再通过多次迭代去除增加的噪声，以恢复原始知识图结构，过程中完成对知识图谱的去噪处理；此外，项目侧的跨视图对比学习能很好地编码两个视图中的信息，充分学习到其中的协作关系，以完成更好的推荐。
本研究提出的推荐模型与其他模型对比，就实验结果而言，所提出的模型性能相较于表现最优的基线模型 B I G C F，其 R e c a l l值和 N D C G值分别提升了2.9%和3.7%，表明模型具有更好的推荐效果。
在未来的工作中，考虑构建多领域、多场景的数据，不只局限于水稻作物，进一步扩展至小麦、玉米等其他类型农作物，同时推荐场景也从育种扩展到生产和病虫害防治等，此外，也将对现有的推荐模型进行方法上的改进，确保其可以满足多元化的推荐任务。

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。

References

Publishing order | Descend order by publishing year | Descend order by cited within
1
付玲, 高明鑫, 谭小莉, 等. 确保粮食安全, 狠抓水稻良种推广[J]. 中国种业, 2020, (11): 48-51.

FU L, GAO M X, TAN X L, et al. Ensuring food security and vigorously promoting popularization of rice variety[J]. China seed industry, 2020, (11): 48-51.

2
刘松. 水稻良种的选育及优质稻品种的生产和繁育[J]. 种子科技, 2022, 40(18): 142-144.

LIU S. Breeding of improved rice varieties and production and breeding of high-quality rice varieties[J]. Seed science & technology, 2022, 40(18): 142-144.

3
谢坤, 杨永义, 姚方印, 等. 水稻新品种鲁资稻14号的选育及配套栽培技术[J]. 北方水稻, 2024, 54(6): 43-45.

XIE K, YANG Y Y, YAO F Y, et al. Breeding and cultivation techniques of a new rice variety luzidao-14[J]. Nroth rice, 2024, 54(6): 43-45.

4
CHENG H T, KOC L, HARMSEN J, et al. Wide & deep learning for recommender systems[C]// Proceedings of the 1st Workshop on Deep Learning for Recommender Systems. New York, USA: ACM, 2016: 7-10.

5
于蒙, 何文涛, 周绪川, 等. 推荐系统综述[J]. 计算机应用, 2022, 42(6): 1898-1913.

YU M, HE W T, ZHOU X C, et al. Review of recommendation system[J]. Journal of computer applications, 2022, 42(6): 1898-1913.

6
KOREN Y, RENDLE S, BELL R. Advances in collaborative filtering[M]// Recommender Systems Handbook. New York, USA: Springer, 2021: 91-142.

7
HE X N, LIAO L Z, ZHANG H W, et al. Neural collaborative filtering[C]// Proceedings of the 26th International Conference on World Wide Web. New York, USA: ACM, 2017: 173-182.

8
WANG X, HE X N, WANG M, et al. Neural graph collaborative filtering[C]// Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York, USA: ACM, 2019: 165-174.

9
GUO Q Y, ZHUANG F Z, QIN C, et al. A survey on knowledge graph-based recommender systems[J]. IEEE transactions on knowledge and data engineering, 2022, 34(8): 3549-3568.

10
WANG X, WANG D X, XU C R, et al. Explainable reasoning over knowledge graphs for recommendation[J]. Proceedings of the AAAI conference on artificial intelligence, 2019, 33(1): 5329-5336.

11
WANG Q, MAO Z D, WANG B, et al. Knowledge graph embedding: A survey of approaches and applications[J]. IEEE transactions on knowledge and data engineering, 2017, 29(12): 2724-2743.

12
WANG H W, ZHANG F Z, XIE X, et al. DKN: Deep knowledge-aware network for news recommendation [C]// Proceedings of the 2018 World Wide Web Conference. New York, USA: ACM, 2018: 1835-1844.

13
WANG X, HUANG T L, WANG D X, et al. Learning intents behind interactions with knowledge graph for recommendation[C]// Proceedings of the Web Conference 2021. New York USA: ACM, 2021: 878-887.

14
YANG Y H, HUANG C, XIA L H, et al. Knowledge graph contrastive learning for recommendation[C]// Proceedings of the 45th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York, USA: ACM, 2022: 1434-1443.

15
YANG Y H, HUANG C, XIA L H, et al. Knowledge graph self-supervised rationalization for recommendation[C]// Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. New York, USA: ACM, 2023: 3046-3056.

16
粟日. 基于数据端统计抽样构造与分析端深度学习算法的双端推荐系统研究[D]. 长沙: 中南大学, 2023.

SU R. Research on two-terminal recommendation system based on data-side statistical sampling construction and analysis-side deep learning algorithm[D]. Changsha: Central South University, 2023.

17
吴赛赛. 基于知识图谱的作物病虫害智能问答系统设计与实现[D]. 北京: 中国农业科学院, 2021.

WU S S. Design and implementation of intelligent question answering system for crop diseases and pests based on knowledge map[D]. Beijing: Chinese academy of agricultural sciences, 2021.

18
刘峤, 李杨, 段宏, 等. 知识图谱构建技术综述[J]. 计算机研究与发展, 2016, 53(3): 582-600.

LIU Q, LI Y, DUAN H, et al. Knowledge graph construction techniques[J]. Journal of computer research and development, 2016, 53(3): 582-600.

19
ABU-SALIH B. Domain-specific knowledge graphs: A survey[J]. Journal of network and computer applications, 2021, 185: ID 103076.

20
REN X B, XIA L H, ZHAO J S, et al. Disentangled contrastive collaborative filtering[C]// Proceedings of the 46th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York, USA: ACM, 2023: 1137-1146.

21
ZHANG Y, SANG L, ZHANG Y W, et al. Exploring the individuality and collectivity of intents behind interactions for graph collaborative filtering[C]// Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York, USA: ACM, 2024: 1253-1262.

22
WU X X, XIONG Y, ZHANG Y, et al. Dual intents graph modeling for user-centric group discovery[C]// Proceedings of the 32nd ACM International Conference on Information and Knowledge Management. New York, USA: ACM, 2023: 2716-2725.

23
YANG L, ZHANG Z L, SONG Y, et al. Diffusion models: A comprehensive survey of methods and applications[J]. ACM computing surveys, 2023, 56(4): 1-39.

24
KINGMA D, SALIMANS T, POOLE B, et al. Variational diffusion models[J]. Advances in neural information processing systems, 2021, 34: 21696-21707.

25
WU Z H, PAN S R, CHEN F W, et al. A comprehensive survey on graph neural networks[J]. IEEE transactions on neural networks and learning systems, 2021, 32(1): 4-24.

26
KHOSLA P, TETERWAK P, WANG C, et al. Supervised contrastive learning[J]. Advances in neural information processing systems, 2020, 33: 18661-18673.

27
WANG H, XU Y, YANG C, et al. Knowledge-adaptive contrastive learning for recommendation[C]// Proceedings of the Sixteenth ACM International Conference on Web Search and Data Mining. New York, USA: ACM, 2023: 535-543.

28
RENDLE S, FREUDENTHALER C, GANTNER Z, et al. BPR: Bayesian personalized ranking from implicit feedback[EB/OL]. arXiv: 1205.2618, 2012.

29
ZHANG Y, YANG Q. A survey on multi-task learning[J]. IEEE transactions on knowledge and data engineering, 2022, 34(12): 5586-5609.

30
WANG Y F, TANG S Y, LEI Y T, et al. DisenHAN: Disentangled heterogeneous graph attention network for recommendation[C]// Proceedings of the 29th ACM International Conference on Information & Knowledge Management. New York, USA: ACM, 2020: 1605-1614.

31
WANG H W, ZHAO M, XIE X, et al. Knowledge graph convolutional networks for recommender systems[C]// The World Wide Web Conference. New York, USA: ACM, 2019: 3307-3313.

32
ZHANG F Z, YUAN N J, LIAN D F, et al. Collaborative knowledge base embedding for recommender systems[C]// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York, USA: ACM, 2016: 353-362.

33
WANG H W, ZHANG F Z, ZHANG M D, et al. Knowledge-aware graph neural networks with label smoothness regularization for recommender systems[C]// Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York, USA: ACM, 2019: 968-977.

34
WANG X, HE X N, CAO Y X, et al. KGAT[C]// Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York, USA: ACM, 2019: 950-958.

35
JIANG Y Q, YANG Y H, XIA L H, et al. DiffKG: Knowledge graph diffusion model for recommendation[C]// Proceedings of the 17th ACM International Conference on Web Search and Data Mining. New York, USA: ACM, 2024: 313-321.

Options
Outlines

/

〈 〉

  • ISSN 2097-485X（Online）
    ISSN 2096-8094（Print）
    CN 10-1681/S
    CODEN ZNZHD7
    Aboard PDC: C9452
    Authority in Charge: Ministry of Agriculture and Rural Affairs of the People’s Republic of China
    Sponsor: Agricultural Information Institute, Chinese Academy of Agricultural Sciences
  • Address: No.12 Zhongguancun South St.,Haidian District Beijing P.R.China
    Zip Code: 100081
    Telephone: +86 10 82109657
    E-mail: smartag@caas.cn
京ICP备09089781号-37