Research on question answering system for crop diseases and pests based on knowledge graph

doi:10.12398/j.issn.2096-7217.2024.04.003

Abstract

Abstract:

Propelled by the era of big data， intelligent question-answering systems have found widespread applications across various domains， offering users a means to swiftly and efficiently acquire answers. Compared to traditional methods of collecting textual knowledge and utilizing web search engines， these systems demonstrate distinct advantages. With the rapid evolution of knowledge graph technology， intelligent question-answering systems have entered a new stage of development. In response to the call for smart agriculture， this study has undertaken the construction of a knowledge-based question-answering system based on knowledge graphs， aiming to provide users with question-answering services related to crop diseases and pests. The primary tasks include：（1） Acquisition of crop disease and pest data： Employing a distributed web crawling framework to retrieve data from web pages related to crop diseases and pests and preprocessing operations involve data cleaning， analysis， and structuring. （2） Construction of knowledge graph： Following data analysis， defining entity and relationship categories for the knowledge ontology and completing the pattern layer construction of the knowledge graph. Utilizing rule-based triple templates for extracting entities from semi-structured text， building the data layer， and storing triples in the Neo4j graph database. （3） Design of question-answering algorithms： Employing the BERT-BiLSTM-CRF model for question entity recognition and the BERT-RNN model for question classification. Matching templates， executing queries through Cypher statements， and processing answers into natural language forms for return. （4） Implementation and visualization of the question-answering system： Integrating crop disease and pest knowledge graphs with question-answering algorithms， the Flask framework and various web technologies are used to implement functionalities such as user questioning， entity recognition， knowledge retrieval， and answer presentation. Experimental results indicate that the entity recognition and question classification models achieved Precision （P）， Recall （R）， and F1 scores of 93.22%， 92.69%， 92.21%， and 94.37%， 93.92%， 92.66%， respectively. Compared to other search methods， the question-answering system demonstrated higher accuracy and stability. This study provides an intelligent solution for agricultural informationization， offering a new pathway for users to acquire knowledge on crop diseases and pests.

Key words: agricultural informationization, crop disease and pest, knowledge graph, question and answering system

CLC Number:

ZHAO Zexing, WU Xiaopeng, WANG Yixin, YAN Xiaoli, HUANG Yuxiang, GAO Xiaojun. Research on question answering system for crop diseases and pests based on knowledge graph[J]. Journal of Intelligent Agricultural Mechanization, 2024, 5(4): 39-50.

Figures/Tables 20

References 24

1	GUANXI Y， THIERRY B， HABIBULLAH B， et al. The technical challenges for applying unsaturated soil sensors to conduct laboratory-scale seepage experiments ［J］. Sensors， 2022， 22（10）： 3724-3724.
2	韩文霆，李广，苑梦婵，等. 基于无人机遥感技术的玉米种植信息提取方法研究［J］. 农业机械学报， 2017， 48（1）： 139-147.
	HAN Wenting， LI Guang， YUAN Mengchan， et al. Extraction method of maize planting information based on UAV remote sensing technology ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2017， 48（1）： 139-147.
3	AMINE F， MOHAMED S， ESSAID S. An agile AI and IoT-augmented smart farming： A cost-effective cognitive weather station ［J］. Agriculture， 2022， 12（1）： 35.
4	苗小爱. 基于大数据分析的农业信息化研究［J］. 智慧农业导刊， 2023， 3（7）： 4-6，10.
	MIAO Xiaoai. Research on agricultural informatization based on big data analysis ［J］. Journal of Smart Agriculture， 2023， 3（7）： 4-6， 10.
5	吴赛赛，周爱莲，谢能付，等. 基于深度学习的作物病虫害可视化知识图谱构建［J］. 农业工程学报， 2020， 36（24）： 177-185.
	WU Saisai， ZHOU Ailian， XIE Nengfu， et al. Construction of visualization domain-specific knowledge graph of crop diseases and pests based on deep learning ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（24）： 177-185.
6	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 Lin， ZHOU Han， GUO Xuchao， 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.
7	POPPING R. Knowledge graphs and network text analysis ［J］. Social Science Information， 2003， 42（1）： 91-106.
8	陈佳云，徐向英，章永龙，等. 多模态知识图谱在农业中的研究进展［J］. 农业大数据学报， 2022， 4（3）： 126-134.
	CHEN Jiayun， XU Xiangying， ZHANG Yonglong， et al. Research progress of multimodal knowledge graph in agriculture ［J］. Journal of Agricultural Big Data， 2022， 4（3）： 126-134.
9	徐畅，张领先，乔岩. 基于电子病历的作物病虫害关联挖掘及智能诊断［J］. 智能化农业装备学报（中英文）， 2023， 4（4）： 1-10.
	XU Chang， ZHANG Lingxian， QIAO Yan. Association mining of crop diseases and intelligent diagnosis based on electronic medical records ［J］. Journal of Intelligent Agricultural Mechanization， 2023， 4（4）： 1-10.
10	王丹丹. 宁夏水稻知识图谱构建方法研究与应用［D］. 银川：北方民族大学， 2020.
	WANG Dandan. Research and application of construction method of rice knowledge graph in Ningxia ［D］. Yinchuan： North Minzu University， 2020.
11	张永亮. 基于知识图谱的苹果病虫害智能问答系统研究［D］. 杨凌：西北农林科技大学， 2022.
	ZHANG Yongliang. Research on intelligent question answering system of apple diseases and insect pests based on knowledge graph ［D］. Yangling： Northwest A&F University， 2022.
12	闫丽华. 基于知识图谱的葡萄病虫害自动问答系统［D］. 杨凌：西北农林科技大学， 2021.
	YAN Lihua. Automatic question answering system of grape diseases and pests based on knowledge graph ［D］. Yangling： Northwest A&F University， 2021.
13	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 Qiao， LI Yang， DUAN Hong， et al. Knowledge graph construction techniques ［J］. Journal of Computer Research and Development， 2016， 53（3）： 582-600.
14	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 Saisai. Design and implementation of intelligent question answering system for crop diseases and pests based on knowledge graph ［D］. Beijing： Chinese Academy of Agricultural Sciences， 2021.
15	张嘉宇，郭玫，张永亮，等. 细粒度苹果病虫害知识图谱构建研究［J］. 计算机工程与应用， 2023， 59（5）： 270-280.
	ZHANG Jiayu， GUO Mei， ZHANG Yongliang， et al. Research on construction of fine-grained knowledge graph of apple diseases and pests ［J］. Computer Engineering and Applications， 2023， 59（5）： 270-280.
16	LOURDUSAMY R， MATTAM X J. Knowledge graph using resource description framework and connectionist theory ［C］//IOP Publishing Ltd.， 2020：012001.DOI：10.1088/1742-6596/1427/1/012001 .
17	李雪. 一种基于Neo4j图数据库的模糊查询研究与实现［J］. 计算机技术与发展， 2018， 28（11）： 78-86．
	LI Xue. Research and implementation of a fuzzy query based on Neo4j graph database ［J］. Compute Technology and Development， 2018， 28（11）： 78-86.
18	王婷，王娜，崔运鹏，等. 基于人工智能大模型技术的果蔬农技知识智能问答系统［J］. 智慧农业（中英文）， 2023， 5（4）： 105-116．
	WANG Ting， WANG Na， CUI Yunpeng， et al. Agricultural technology knowledge intelligent question-answering system based on large language model ［J］. Smart Agriculture， 2023， 5（4）： 105-116.
19	ZHANG Q， YU H Q， SUN P， et al. Multisource data based agricultural drought monitoring and agricultural loss in China［J］. Global and Planetary Change， 2018， 172（JAN.）： 298-306.
20	白皓然，孙伟浩，金宁，等. 基于改进Bi-LSTM-CRF的农业问答系统研究［J］. 中国农机化学报， 2023， 44（2）： 99-105.
	BAI Haoran， SUN Weihao， JIN Ning， et al. Research on agricultural question answering system based on improved Bi-LSTM-CRF ［J］. Journal of Chinese Agricultural Mechanization， 2023， 44（2）： 99-105.
21	ZHANG Y， ZHANG M L， LUO N， et al. Understanding the formation mechanism of high-quality knowledge in social question and answer communities： A knowledge co-creation perspective ［J］. International Journal of Information Management， 2019， 48： 72-84.
22	郑泳智，吴惠粦，朱定局，等. 基于荔枝和龙眼病虫害知识图谱的问答系统［J］. 计算机与数字工程， 2021， 49（12）： 2618-2622.
	ZHENG Yongzhi， WU Huilin， ZHU Dingju， et al. Question and answer system based on the knowledge graphs of Litchi and Longan diseases and insect pests ［J］. Computer & Digital Engineering， 2021， 49（12）： 2618-2622.
23	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 Ruixue， YANG Chenxue， ZHENG Jianhua， et al. Agricultural intelligent knowledge service： Overview and future perspectives ［J］. Smart Agriculture， 2022， 4（4）： 105-125.
24	李源，丁士宁，张克旺，等. 基于CiteSpace的水稻病虫害研究热点与发展趋势分析［J］. 农业展望， 2022， 18（5）： 97-104.
	LI Yuan， DING Shining， ZHANG Kewang， et al. Research hotspots and development trend of rice disease and insect pests based on CiteSpace ［J］. Agricultural Outlook， 2022， 18（5）： 97-104.

实体类别	含义描述	实体定义
农作物	常见农作物	CRO
病害	农作物常见病害	DIS
虫害	农作物常见虫害/害虫	PES
症状	农作物病害的为害症状	SYM
病原	引发农作物病害的根源	PAT
传播途径	病害病原的传播方法	TRA
寄主	农作物害虫的为害对象	HOS
为害特点	农作物虫害的为害症状	CHA
形态特征	农作物害虫的形态特征	FIG
生活习性	农作物害虫的生活习性	HAB
防治方法	农作物病虫害的防治途径	MET

实体类别	含义描述	实体定义
农作物	常见农作物	CRO
病害	农作物常见病害	DIS
虫害	农作物常见虫害/害虫	PES
症状	农作物病害的为害症状	SYM
病原	引发农作物病害的根源	PAT
传播途径	病害病原的传播方法	TRA
寄主	农作物害虫的为害对象	HOS
为害特点	农作物虫害的为害症状	CHA
形态特征	农作物害虫的形态特征	FIG
生活习性	农作物害虫的生活习性	HAB
防治方法	农作物病虫害的防治途径	MET

关系类别	含义描述
Disease Pest	农作物——病/虫害
Disease Symptom	病害——症状
Disease Pathogeny	病害——病原
Disease Transmission	病害——传播途径
Pest Host	虫害——寄主
Pest Character	虫害——为害特点
Pest Figure	虫害——形态特征
Pest Habit	虫害——生活习性
Prevent Method	病/虫害——防治方法

关系类别	含义描述
Disease Pest	农作物——病/虫害
Disease Symptom	病害——症状
Disease Pathogeny	病害——病原
Disease Transmission	病害——传播途径
Pest Host	虫害——寄主
Pest Character	虫害——为害特点
Pest Figure	虫害——形态特征
Pest Habit	虫害——生活习性
Prevent Method	病/虫害——防治方法

首实体	关系	尾实体
水稻恶苗病	DiseasePathogeny	Fusarium moniliforme Sheld
水稻烂秧病	DiseasePathogeny	Fusarium graminearum Schw
水稻白绢病	DiseasePathogeny	Sclerotium rolfsii Sacc
水稻白叶枯病	DiseasePathogeny	Xanthomonas oryzae
…	DiseasePathogeny	…