针对农业智能问答系统构建过程中传统的农业命名实体识别方法依赖人工特征模板、特征信息提取不充分、实体名称多样导致标注不一致等问题,提出一种基于注意力机制的农业文本命名实体识别方法。采用连续词袋模型(Continuous bag of words...
详细信息
针对农业智能问答系统构建过程中传统的农业命名实体识别方法依赖人工特征模板、特征信息提取不充分、实体名称多样导致标注不一致等问题,提出一种基于注意力机制的农业文本命名实体识别方法。采用连续词袋模型(Continuous bag of words,CBOW)对输入字向量进行预训练,丰富字向量特征信息,缓解分词准确度对性能的影响;引入文档级的注意力(Attention)机制,获取实体间相似信息,保证实体在不同语境下的标签一致性;基于双向长短期记忆网络(Bi-directional long-short term memory,BiLSTM)和条件随机场(Conditional random field,CRF)模型,构建适合农业领域实体识别的模型框架。选取4604篇农业文本,针对病害、虫害、农药、农作物品种4类实体进行了识别实验。结果表明,模型能有效地辨别农业文本中的实体,缓解实体标记不一致的问题,在农业语料上达到了较好的结果,识别的准确率、召回率、F值分别为93.48%、90.60%、92.01%。与其他3种识别方法相比,模型在不同规模语料库的准确率均有一定提高,具有明显的性能优势。
以玉米N肥变量施肥为例,采用GIS技术对不同土壤肥力水平下的变量施肥尺度对施肥量、产量和肥料增产效率的影响进行模拟计算和可视化表达。首先用揟urning Band Method敺椒ㄋ婊煞现付ň怠⒎讲詈涂占浞植?半方差模型)的一组表示...
详细信息
以玉米N肥变量施肥为例,采用GIS技术对不同土壤肥力水平下的变量施肥尺度对施肥量、产量和肥料增产效率的影响进行模拟计算和可视化表达。首先用揟urning Band Method敺椒ㄋ婊煞现付ň怠⒎讲詈涂占浞植?半方差模型)的一组表示最小施肥单元的土壤养分数据,每组104个数据,对每组数据进行了100个等级尺度单元的相关效应计算和分析。模拟结果表明:(1)随着变量施肥单元面积减小,平均单位面积的施肥量增加或保持不变,产量一般增加,总的肥料增产效率也提高;(2)施肥临界养分过渡带的变量施肥合理性和产量受尺度影响较大,土壤肥力较高时,空间变异小,变量施肥尺度效应不明显。
以玉米氮肥变量施肥为例，采用GIS技术分别模拟不同肥力水平、不同空间变异和不同相关距条件下变量施肥尺度对施肥量的影响．首先用“Turning Band Method”方法随机生成符合指定均值、方差和空间分布（半方差模型）的一组表示最小施肥...
详细信息
以玉米氮肥变量施肥为例，采用GIS技术分别模拟不同肥力水平、不同空间变异和不同相关距条件下变量施肥尺度对施肥量的影响．首先用“Turning Band Method”方法随机生成符合指定均值、方差和空间分布（半方差模型）的一组表示最小施肥单元的土壤养分数据，每组10^4个数据，对每组数据进行了100个等级尺度单元的相关施肥量计算和分析．模拟结果表明：（1）随着变量施肥单元面积减小，施肥量不是减少，而是增加或保持不变；（2）相同土壤肥力，空间变异越大时，随着施肥尺度增大，平均施肥量增大越明显，而且施肥临界养分过渡带的变量施肥合理性受尺度影响最大．
暂无评论