CN110929933A - 基于知识图谱的水稻病害预测与诊断方法 - Google Patents
基于知识图谱的水稻病害预测与诊断方法 Download PDFInfo
- Publication number
- CN110929933A CN110929933A CN201911155647.0A CN201911155647A CN110929933A CN 110929933 A CN110929933 A CN 110929933A CN 201911155647 A CN201911155647 A CN 201911155647A CN 110929933 A CN110929933 A CN 110929933A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- rice
- data
- disease
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 82
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 82
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 80
- 235000009566 rice Nutrition 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003745 diagnosis Methods 0.000 title claims abstract description 31
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 79
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000013075 data extraction Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 abstract description 7
- 208000024891 symptom Diseases 0.000 description 18
- 238000003058 natural language processing Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 235000014347 soups Nutrition 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 239000005807 Metalaxyl Substances 0.000 description 1
- 241000233679 Peronosporaceae Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- ZQEIXNIJLIKNTD-UHFFFAOYSA-N methyl N-(2,6-dimethylphenyl)-N-(methoxyacetyl)alaninate Chemical compound COCC(=O)N(C(C)C(=O)OC)C1=C(C)C=CC=C1C ZQEIXNIJLIKNTD-UHFFFAOYSA-N 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Animal Husbandry (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于知识图谱的水稻病害预测与诊断方法，它是通过水稻病害知识抽取、水稻病害知识表示、水稻病害知识融合、水稻病害知识存储、水稻病害知识预测与诊断等步骤实现的。该方法消除了水稻领域大量繁多的数据以及诸多不可控因素的影响，进而保证预测与防治的准确性、多样性；同时，避免专家判断的人为主观因素的抉择，使得预测和防治更加有效、精确。
Description
技术领域
本发明涉及水稻病害预测和诊断技术领域，具体涉及一种基于知识图谱的水稻病害预测与诊断方法。
背景技术
我国是一个病害多发的国家，长期以来，病害一直是影响水稻产量的主要问题，有效预防和控制病害的发展对于提高水稻产量有着重要意义。水稻种植过程中，种植人员会遇到许多难以解决的问题，需要专门的农业专家进行指导，由于农业专家有限，又受制于时间和空间的因素，无法完全实现面对面指导。面对庞大、复杂、多样的农业信息，传统的专家系统已经满足不了广大种植人员的需要，因而目前对系统提出了更高的需求，即快速、简短、准确的获得自己需要的信息。
目前已开发出的一些水稻病害诊断系统，对水稻病害的诊断和防治起到了一定的积极作用，但由于知识语义关联性不强，信息难以共享，造成其实际应用价值并不高。随着农业科技的发展，普通的专家系统已经不能满足农民朋友的要求；传统的专家系统提取时仅采用规则表示知识对主要病害进行分析来建立病害专家知识库，但用户不可以自己输入症状，同时当用户出现多个症状时，诊断结果可信度不高；现有技术中专家系统还存在的问题是，有的只针对某种作物的一种病害或虫害，有的只预测某一种作物的一种病害，无法实现全面的病害覆盖。因而，种植人员在使用专家系统指导病害防治时，用户不可能就作物有多少种病害买多少个专家系统，成本较高；同时需要操作的系统数量多，导致操作繁琐、效率低下。
发明内容
针对以上现有技术存在的问题，本发明提供一种基于知识图谱的水稻病害预测与诊断方法，其操作简便、覆盖范围广，提高了水稻病害诊断与预测的准确性、多样性，效率高、成本低。
本发明的目的通过以下技术方案实现：
基于知识图谱的水稻病害预测与诊断方法，其特征在于：它是通过以下具体步骤实现的：
a、水稻病害知识抽取：采用结构化数据抽取、半结构化数据抽取以及非结构化数据抽取三种方式提取水稻病害的数据；并以结构化数据为基础，扩充半结构化数据以及非结构化数据，形成知识数据存入到知识图谱；
b、水稻病害知识表示：采用Neo4j图数据库来存储知识抽取后的数据，使用属性图模型来进行知识表示；所述知识表示以网络的形式表示知识，以（实体1，连接关系，实体2）三元组来表示相关联的两个节点（实体）；
c、水稻病害知识融合：针对知识图谱中不同来源的知识对象，在同一框架规范下进行数据整合、消歧、加工、推理验证、更新；
d、水稻病害知识存储：对获取到的实体及实体之间关系数据进行融合后，采用Neo4j图数据库存储数据；
e、水稻病害知识预测与诊断：根据水稻致病后的性状表现以及知识图谱存储的诊断与预测方法，诊断出水稻所患何病，并且对病害进行防治和预测。
水稻领域知识的获取，由于特定领域数据库的短缺以及其他知识来源广泛，造成知识质量良莠不齐、来自不同数据源的知识重复、层次结构缺失等问题；同时，由于水稻种类与病害种类繁多，又有天气、土壤、温湿度等诸多不可控的因素，导致诊断和预测功能的不准确性。本方法通过知识提取，实现了从非结构化和半结构化数据中获取实体、关系以及实体属性信息的目的；同时，通过知识融合，达到数据、信息、方法、经验以及人的思想的融合，形成高质量的知识库，消除知识库中的歧义与重复现象，保证层次结构清晰，从而确保诊断和预测的准确性。
同时，从概念、关系、属性等方面对农业水稻领域知识建模，通过农业水稻领域结构化、半结构化、非结构化数据源获取知识，从而将专家系统中现有的规则转化成能导入Neo4j的三元组形式，并将获取的知识融合后存储至图数据库 Neo4j 中，确保种植人员获得患该症状的病害的名称及如何防治等，同时还可以获得与此症状相关的其他疾病的信息，进而有效对不同病害进行防治和预测，提高水稻的产量。
种植人员对症状的描述可能有不同的表达方法，利用本水稻知识图谱可以解决知识歧义的问题，较准确的对水稻病害进行诊断，也可得到一个很清晰直观的病害知识图谱。
进一步，所述结构化数据抽取为提取以规则的方式存储在专家系统中的水稻数据。
进一步，所述半结构化数据抽取采用网页爬虫采集信息和数据解析，选用从 HTML网页中提取数据的python库—Beautiful Soup作为解析器，基于网页页面布局相似的特点，采用基于标签遍历的方法，直接导航到 DOM 树的关键节点，提取各类农业网站的相关正文。
进一步，所述非结构化数据抽取为采用自然语言处理相关技术，抽取农业相关领域中没有结构的文本；所述自然语言处理相关技术采用了CRF与症状词典结合的方法，其流程如下：首先采用分词工具对非结构化的文本数据进行分词的预处理；然后对分词后的内容进行特征选取，选择其中相关数据结合症状词典进行训练，得到CRF结合症状词典的模型；最后得到病害症状的命名实体。
进一步，为使来自不同知识源的知识在同一框架规范下进行异构数据的整合，形成高质量的知识库，所述知识融合为通过实体对齐的技术进行知识融合，具体为通过实体名称相似度计算结合唯一或相同的属性标识合并实体；所述同一框架为不同源的实体指向的现实世界某一领域的同一个客体，通过使用实体匹配将不同数据源相同客体的数据进行融合的框架。
进一步，所述知识融合采用Falcon-AO本体匹配工具。
进一步，所述Neo4j图数据库存储数据由节点、关系、属性和标签组成；其中，所述节点上包含属性；所述节点上能被打上一个或者多个标签；所述关系连接节点，从而构成图；所述每条关系都有一个方向，一个名字、一个开始节点和结束节点。
进一步，所述关系与节点一样，其上能附加属性。
进一步，所述知识图谱还能链接用户的历史查询和诊断结果，同时对用户的反馈意见进行针对性修改。
本发明具有如下技术效果：
（1）本发明利用命名实体识别、关系抽取、关系融合等方法构建水稻病害知识图谱；通过把专家系统中现有的规则转化成能导入neo4j的三元组形式，使得质量良莠不齐、驳杂重复、层次结构缺失的数据更加清晰，从而确保预测和诊断结果的准确性；
（2）本发明利用知识图谱提高了水稻病害诊断与预测的多样性；
（3）本发明基于知识图谱的诊断与预测，提供了水稻病害之间额外的语义联系，利用知识图谱中的多种关系的边向外扩展种植人员的问题集合，此外知识图谱还可链接农民用户的历史查询和诊断结果，使得其范围更广、更能贴近实际情况。
附图说明
图1为本发明基于知识图谱的水稻病害预测与诊断方法的流程图。
图2为本发明基于知识图谱的水稻病害预测与诊断方法的技术架构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
实施例1：
基于知识图谱的水稻病害预测与诊断方法，其特征在于：它是通过以下具体步骤实现的：
a、水稻病害知识抽取：采用结构化数据抽取、半结构化数据抽取以及非结构化数据抽取三种方式提取水稻病害的数据；并以结构化数据为基础，扩充半结构化数据以及非结构化数据，形成知识数据存入到知识图谱；
所述结构化数据抽取为提取以规则的方式存储在专家系统中的水稻数据；所述半结构化数据抽取采用网页爬虫采集信息和数据解析，选用从 HTML 网页中提取数据的python库—Beautiful Soup作为解析器，基于网页页面布局相似的特点，采用基于标签遍历的方法，直接导航到 DOM 树的关键节点，提取各类农业网站的相关正文，可以避免大量遍历节点；通过此方法，抽取水稻病害以及属性、症状以及属性、疾病防治以及属性的实体，同时在抽取实体的过程中也实现了语义关系的挖掘，获取了三种语义关系。所述非结构化数据抽取为采用自然语言处理相关技术，抽取农业相关领域中没有结构的文本，如：农业领域相关的手册、标准、规范等以及互联网网页、开放链接数据、开放知识库、在线百科等，甚至数据库中结构化数据的某些字段中也存在没有结构的文本；所述自然语言处理相关技术采用了CRF与症状词典结合的方法，其流程如下：首先采用清华大学的分词工具THULAC对非结构化的文本数据进行分词的预处理；然后对分词后的内容进行特征选取，选择其中相关数据结合症状词典进行训练，得到CRF结合症状词典的模型；最后得到病害症状的命名实体。
b、水稻病害知识表示：采用Neo4j图数据库来存储知识抽取后的数据，使用属性图模型来进行知识表示；所述知识表示以网络的形式表示知识，以（实体1，连接关系，实体2）三元组来表示相关联的两个节点（实体），例如：霜霉病，防治，甲霜灵。
c、水稻病害知识融合：针对知识图谱中不同来源的知识对象，在同一框架规范下进行数据整合、消歧、加工、推理验证、更新；
为使来自不同知识源的知识在同一框架规范下进行异构数据的整合，形成高质量的知识库，所述知识融合为通过实体对齐的技术进行知识融合，具体为通过实体名称相似度计算结合唯一或相同的属性标识合并实体；所述同一框架为不同源的实体指向的现实世界某一领域的同一个客体，通过使用实体匹配将不同数据源相同客体的数据进行融合的框架。所述知识融合采用Falcon-AO本体匹配工具；其核心为实体匹配算法（V-Doc,I-Sub, GMO和PBM，其中V-Doc和I-Sub是基于语言的匹配器，GMO是基于图结构的匹配器，PBM用分布式策略为大规模的本体进行块映射。）
例如：在农业水稻领域中，我们先通过命名实体识别得到水稻病害的名称实体（如：稻瘟病），在A知识图谱图谱中存在稻瘟病实体，有编号、名称、病原、受害部位四个属性，在B知识图谱中存在水稻—稻瘟病实体，有编号、防治两个属性，这两个实体是其实就是同一种病害，但是却存在于不同的知识图谱中，如果不做融合处理就会造成信息的冗余，因此需要通过实体对齐的技术进行知识融合，通过实体名称相似度计算结合唯一的属性标识（即编号属性）合并实体。
d、水稻病害知识存储：对获取到的实体及实体之间关系数据进行融合后，采用Neo4j图数据库存储数据；
所述Neo4j图数据库存储数据由节点、关系、属性和标签组成；其中，所述节点上包含属性，把节点想象成存储属性的文件，属性可以任何键值对的形式存在；所述节点上能被打上一个或者多个标签，标签把节点组织在一起，并表示它们在这个数据集中的角色；所述关系连接节点，从而构成图；所述每条关系都有一个方向，一个名字、一个开始节点和结束节点。所述关系与节点一样，其上能附加属性，通过在关系上增加属性，可以给图计算提供元数据，也可以给联系增加额外的语义（包括特征和权重），还可以用运行时的约束查询。
e、水稻病害知识预测与诊断：根据水稻致病后的性状表现以及知识图谱存储的诊断与预测方法，诊断出水稻所患何病，并且对病害进行防治和预测。
所述知识图谱还能链接用户的历史查询和诊断结果，同时对用户的反馈意见进行针对性修改。
f、基于知识图谱的水稻病害预测与诊断方法构架完成。
本发明从概念、关系、属性等方面对农业水稻领域知识建模，通过农业水稻领域结构化、半结构化、非结构化数据源获取知识，并将获取的知识融合后存储至图数据库 Neo4j中，基于以上步骤建立起水稻病害知识图谱后，我们可以根据种植人员所遇到的问题，进行水稻病害的诊断；同时种植人员也可以根据水稻的症状进行输入，进而得到患该症状的病害的名称及如何防治等，同时还可以获得与此症状相关的其他疾病的信息。种植人员对症状的描述可能有不同的表达方法，利用本水稻知识图谱可以解决知识歧义的问题，较准确的对水稻病害进行诊断，也可得到一个很清晰直观的病害知识图谱。
本方法消除了水稻领域大量繁多的数据以及诸多不可控因素的影响，进而保证预测与防治的准确性、多样性；同时，避免专家判断的人为主观因素的抉择，使得预测和防治更加有效。
Claims (7)
1.基于知识图谱的水稻病害预测与诊断方法，其特征在于：它是通过以下具体步骤实现的：
a、水稻病害知识抽取：采用结构化数据抽取、半结构化数据抽取以及非结构化数据抽取三种方式提取水稻病害的数据；并以结构化数据为基础，扩充半结构化数据以及非结构化数据，形成知识数据存入到知识图谱；
b、水稻病害知识表示：采用Neo4j图数据库来存储知识抽取后的数据，使用属性图模型来进行知识表示；所述知识表示以网络的形式表示知识，以三元组来表示相关联的两个节点；
c、水稻病害知识融合：针对知识图谱中不同来源的知识对象，在同一框架规范下进行数据整合、消歧、加工、推理验证、更新；
d、水稻病害知识存储：对获取到的实体及实体之间关系数据进行融合后，采用Neo4j图数据库存储数据；
e、水稻病害知识预测与诊断：根据水稻致病后的性状表现以及知识图谱存储的诊断与预测方法，诊断出水稻所患何病，并且对病害进行防治和预测。
2.根据权利要求1所述的基于知识图谱的水稻病害预测与诊断方法，其特征在于：所述结构化数据抽取可为提取以规则的方式存储在专家系统中的水稻数据。
3.根据权利要求2所述的基于知识图谱的水稻病害预测与诊断方法，其特征在于：所述知识融合为通过实体对齐的技术进行知识融合，具体为通过实体名称相似度计算结合唯一或相同的属性标识合并实体；所述同一框架为不同源的实体指向的现实世界某一领域的同一个客体，通过使用实体匹配将不同数据源相同客体的数据进行融合的框架。
4.根据权利要求3所述的基于知识图谱的水稻病害预测与诊断方法，其特征在于：所述知识融合采用Falcon-AO本体匹配工具。
5.根据权利要求4所述的基于知识图谱的水稻病害预测与诊断方法，其特征在于：所述Neo4j图数据库存储数据由节点、关系、属性和标签组成；其中，所述节点上包含属性；所述节点上能被打上一个或者多个标签；所述关系连接节点，从而构成图；所述每条关系都有一个方向，一个名字、一个开始节点和结束节点。
6.根据权利要求5所述的基于知识图谱的水稻病害预测与诊断方法，其特征在于：所述关系与节点一样，其上能附加属性。
7.根据权利要求6所述的基于知识图谱的水稻病害预测与诊断方法，其特征在于：所述知识图谱还能链接用户的历史查询和诊断结果，同时对用户的反馈意见进行针对性修改。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911155647.0A CN110929933A (zh) | 2019-11-22 | 2019-11-22 | 基于知识图谱的水稻病害预测与诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911155647.0A CN110929933A (zh) | 2019-11-22 | 2019-11-22 | 基于知识图谱的水稻病害预测与诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110929933A true CN110929933A (zh) | 2020-03-27 |
Family
ID=69850728
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911155647.0A Pending CN110929933A (zh) | 2019-11-22 | 2019-11-22 | 基于知识图谱的水稻病害预测与诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110929933A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111538847A (zh) * | 2020-04-16 | 2020-08-14 | 北方民族大学 | 一种宁夏水稻知识图谱构建方法 |
| CN112633504A (zh) * | 2020-12-23 | 2021-04-09 | 北京工业大学 | 一种基于知识图谱的果树病虫害智慧云知识服务系统及方法 |
| CN113486188A (zh) * | 2021-05-31 | 2021-10-08 | 安徽省交通规划设计研究总院股份有限公司 | 一种基于知识图谱的桥梁智能诊断系统 |
| CN115115126A (zh) * | 2022-07-14 | 2022-09-27 | 复旦大学 | 基于知识图谱的农作物灾害损失及产量预测系统及方法 |
| CN115238964A (zh) * | 2022-06-28 | 2022-10-25 | 安徽未来种业有限公司 | 一种水稻收成预测评估方法及系统 |
| GB2606028A (en) * | 2021-04-23 | 2022-10-26 | Jiva Ai Ltd | Model fusion system |
| CN115375923A (zh) * | 2022-10-27 | 2022-11-22 | 江西省亿发姆科技发展有限公司 | 一种农作物诊断方法、装置、慧诊仪以及可读存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107491555A (zh) * | 2017-09-01 | 2017-12-19 | 北京纽伦智能科技有限公司 | 知识图谱构建方法和系统 |
| CN109471948A (zh) * | 2018-11-08 | 2019-03-15 | 威海天鑫现代服务技术研究院有限公司 | 一种老年健康领域知识问答系统构建方法 |
| CN109887596A (zh) * | 2019-02-18 | 2019-06-14 | 广州天鹏计算机科技有限公司 | 基于知识图谱的慢阻肺疾病诊断方法、装置和计算机设备 |
-
2019
- 2019-11-22 CN CN201911155647.0A patent/CN110929933A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107491555A (zh) * | 2017-09-01 | 2017-12-19 | 北京纽伦智能科技有限公司 | 知识图谱构建方法和系统 |
| CN109471948A (zh) * | 2018-11-08 | 2019-03-15 | 威海天鑫现代服务技术研究院有限公司 | 一种老年健康领域知识问答系统构建方法 |
| CN109887596A (zh) * | 2019-02-18 | 2019-06-14 | 广州天鹏计算机科技有限公司 | 基于知识图谱的慢阻肺疾病诊断方法、装置和计算机设备 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111538847A (zh) * | 2020-04-16 | 2020-08-14 | 北方民族大学 | 一种宁夏水稻知识图谱构建方法 |
| CN112633504A (zh) * | 2020-12-23 | 2021-04-09 | 北京工业大学 | 一种基于知识图谱的果树病虫害智慧云知识服务系统及方法 |
| GB2606028A (en) * | 2021-04-23 | 2022-10-26 | Jiva Ai Ltd | Model fusion system |
| WO2022223941A1 (en) * | 2021-04-23 | 2022-10-27 | Jiva.AI Limited | Model fusion system |
| CN113486188A (zh) * | 2021-05-31 | 2021-10-08 | 安徽省交通规划设计研究总院股份有限公司 | 一种基于知识图谱的桥梁智能诊断系统 |
| CN113486188B (zh) * | 2021-05-31 | 2023-06-20 | 安徽省交通规划设计研究总院股份有限公司 | 一种基于知识图谱的桥梁智能诊断系统 |
| CN115238964A (zh) * | 2022-06-28 | 2022-10-25 | 安徽未来种业有限公司 | 一种水稻收成预测评估方法及系统 |
| CN115115126A (zh) * | 2022-07-14 | 2022-09-27 | 复旦大学 | 基于知识图谱的农作物灾害损失及产量预测系统及方法 |
| CN115375923A (zh) * | 2022-10-27 | 2022-11-22 | 江西省亿发姆科技发展有限公司 | 一种农作物诊断方法、装置、慧诊仪以及可读存储介质 |
| CN115375923B (zh) * | 2022-10-27 | 2023-03-24 | 江西省亿发姆科技发展有限公司 | 一种农作物诊断方法、装置、慧诊仪以及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110929933A (zh) | 基于知识图谱的水稻病害预测与诊断方法 | |
| CN110597735B (zh) | 一种面向开源软件缺陷特征深度学习的软件缺陷预测方法 | |
| CN110990590A (zh) | 一种基于强化学习和迁移学习的动态金融知识图谱构建方法 | |
| CN102737120B (zh) | 一种个性化网络学习资源推荐方法 | |
| CN113535917A (zh) | 基于旅游知识图谱的智能问答方法及系统 | |
| CN106663125A (zh) | 提问句生成装置以及计算机程序 | |
| CN112732994B (zh) | 网页信息的提取方法、装置、设备及存储介质 | |
| CN101373532A (zh) | 旅游领域faq中文问答系统实现方法 | |
| CN105335487A (zh) | 基于农业技术信息本体库的农业专家信息检索系统及方法 | |
| CN113254630B (zh) | 一种面向全球综合观测成果的领域知识图谱推荐方法 | |
| Wei et al. | From web resources to agricultural ontology: a method for semi-automatic construction | |
| CN111858962B (zh) | 数据处理方法、装置及计算机可读存储介质 | |
| CN116975256B (zh) | 抽水蓄能电站地下厂房施工过程多源信息的处理方法及系统 | |
| CN114610898A (zh) | 一种供应链运营知识图谱构建方法和系统 | |
| CN115640406A (zh) | 一种基于多源异构大数据分析处理与知识图谱构建方法 | |
| Zhu et al. | SEO keyword analysis and its application in website editing system | |
| Qin et al. | Agriculture knowledge graph construction and application | |
| KR20200082179A (ko) | 공간 데이터의 의미론적 주석을 위한 데이터 변환 방법 | |
| CN115438199A (zh) | 一种基于智慧城市场景数据中台技术的知识平台系统 | |
| CN115495585A (zh) | 一种基于知识图谱的花卉病虫害的本体建模方法和建模系统 | |
| CN117435777B (zh) | 一种产业链图谱自动构建方法与系统 | |
| CN113610626A (zh) | 银行信贷风险识别知识图谱构建方法、装置、计算机设备及计算机可读存储介质 | |
| CN108932350A (zh) | 基于多策略的水稻病虫害智能问答方法 | |
| CN117033654A (zh) | 一种面向科技迷雾识别的科技事件图谱构建方法 | |
| CN116244277A (zh) | 一种nlp识别与知识库构建方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |