粮食产后损失知识图谱的构建及建模分析研究

发布时间：2021-01-04 00:42

　　我国是一个资源极度紧缺的国家,粮食供求关系长期偏紧,减少粮食产后损失潜力巨大,具有重要的战略意义。随着粮食物联网等技术的发展,粮食产后损失数据呈现增长迅速、来源繁多、结构复杂、获取和管理困难等诸多问题。尤其是来源繁多、结构复杂的问题直接制约着粮食损失信息高效检索与关联分析。因此,生成粮食产后损失变量之间的关系模型、构建粮食产后损失浪费数据体系、建立粮食产后损失分类模型对节粮减损有着至关重要的支撑作用。针对上述问题,本文通过构建知识图谱,并基于图谱中的实体属性信息进行粮食产后损失数据建模分析研究,具体工作如下:第一,本文基于scrapy框架爬取统计局、粮食局等网站的相关数据,对这些数据进行清洗、标注,进而整合形成语料库,并对其数据进行分词及词性标注。同时结合基于启发式规则和k最近邻算法对数据进行筛选和分类。其中,分类划分了14个实体类别,如粮食产后损失、植物学名词等。实体抽取实验结果表明,k最近邻算法加权后的分类准确度率比加权前的准确率高5.3%,验证了本方法在实体识别方面的有效性。第二,针对实体间的关系提取问题,将其任务抽象为分类问题。本文通过句法分析生成语句的句法分析树,获得词法信息... 

【文章来源】：南京财经大学江苏省

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

实体查询结果

图 3.2 网页基本信息由于百科页面的每个页面均围绕一个词条进行全方面的介绍，每个词条名作为知识图谱中的一个实体，实体发现过程等价于词条页面发现，即每个词条页面的分类等价于实体的分类。本文先用启发式规则对信息的词性进行筛选。如果经过规则处理之后直接过滤的就不必进行分类计算，可以降低单纯用分类计算方法

图 3.5 实验结果对比图本实验从准确率的角度来评估模型的性能。由上图可知，加权前的分类为 0.803，加权后的分类准确率为 0.856，加权后比加权前准确率高了 5比。在 kNN 算法中，由于向量距离是由网页五个属性的线性加权得来属性特征在实体抽取的过程中有着不同程度的影响。如果对重要程度较

【参考文献】：
期刊论文
[1]基于Stacking模型融合的失压故障识别算法[J]. 罗智青,莫汉培,王汝辉,胡顺东,方绍怀,陈世涛.  能源与环保. 2019(02)
[2]基于TextCNN的用户评论情感极性判别[J]. 刘春磊,武佳琪,檀亚宁.  电子世界. 2019(03)
[3]中文实体关系抽取研究综述[J]. 武文雅,陈钰枫,徐金安,张玉洁.  计算机与现代化. 2018(08)
[4]基于BAS-BP模型的风暴潮灾害损失预测[J]. 王甜甜,刘强.  海洋环境科学. 2018(03)
[5]基于Neo4j图数据库的课程体系知识图谱系统设计与实现[J]. 肖庆都,屈亮亮,侯霞.  电脑知识与技术. 2017(36)
[6]基于词典匹配的蒙古文命名实体识别研究[J]. 包敏娜,斯·劳格劳.  中央民族大学学报(哲学社会科学版). 2017(03)
[7]近年我国粮食产后损失评估及减损对策[J]. 尹国彬.  粮食与饲料工业. 2017(03)
[8]知识图谱的发展与构建[J]. 李涛,王次臣,李华康.  南京理工大学学报. 2017(01)
[9]大数据环境下历史人物知识图谱构建与实现[J]. 周亦,周明全,王学松,黄友良.  系统仿真学报. 2016(10)
[10]基于句法语义特征的中文实体关系抽取[J]. 甘丽新,万常选,刘德喜,钟青,江腾蛟.  计算机研究与发展. 2016(02)

博士论文
[1]基于多种数据源的中文知识图谱构建方法研究[D]. 胡芳槐.华东理工大学 2015

硕士论文
[1]基于深度学习的中文实体关系抽取方法研究[D]. 唐敏.西南交通大学 2018
[2]生物医学命名实体识别研究[D]. 郑强.国防科学技术大学 2009
[3]区域性非营业小型车辆损失预测模型[D]. 殷娜.沈阳航空工业学院 2007



本文编号：2955803