自从2012年Google推出知识图谱以提高其搜索质量以来,知识图谱作为人工智能的重要核心技术得到了迅速发展。知识图谱能够有效地提高搜索引擎的搜索质量和问答系统的准确率,已被广泛应用于智能搜索、智能问答、个性化推荐等领域。目前,国内外许多学者都在研究领域知识图谱的构建工作并取得了一定的研究成果。构建知识图谱主要包括知识体系构建、知识获取、知识融合、知识存储、知识推理和知识应用等几大步骤。本文以构建农业知识图谱为研究目标,利用《农业科学叙词表》、循环神经网络模型、条件随机场模型、集成学习、实体关系联合抽取模型、BERT模型等理论和方法,开展了农业知识图谱的模式构建和知识获取研究。论文的主要研究工作总结如下:(1)基于叙词表的农业知识图谱构建方法研究。目前大多数知识图谱构建都是基于维基百科、百度百科等公共资源,抽取概念本体、实体及关系,针对这些公共资源中农业领域知识缺少的问题,提出了一种基于叙词表的农业知识图谱构建方法。研究了叙词表到知识图谱模式层的自动转换规则,以及叙词表到知识图谱数据层的自动构建规则,完成了从《农业科学叙词表》到农业知识图谱的自动构建,最终实现了一个初步的农业知识图谱,该图谱具有6万多个农业叙词实体,以及21万多条由叙词实体、关系组成的三元组。研究结果表明,基于叙词表构建农业知识图谱的方法具有可行性和可靠性。该方法为农业知识图谱的构建提供了一条新思路,也为农业知识图谱的扩展奠定了高质量的数据基础。(2)基于集成学习的农业实体识别模型研究。目前实体识别模型都使用句子截断方式构建模型输入,针对这种方式会丢失句子与句子之间上下文信息的问题,提出了一种基于集成学习的农业实体识别模型ELER。为了训练ELER模型,构建了农业实体识别数据集AgriNER2018,该数据集标注了“沉积物”、“成土过程”、“土层”3种类型的实体,分为训练集和测试集2部分。训练集包含1528个句子,71736个字符,1229个实体。测试集包含231个句子,10242个字符,127个实体。与BILSTM-CRF模型相比,ELER模型在农业数据集AgriNER2018上精确度提高了2.32%,F1值提高了2.92%,在CoNLL2003标准数据集上精确度提高了1.37%,F1值提高了0.7%。结果表明,ELER模型能够有效提高实体识别的结果,且在AgriNER2018上提升更加明显,说明该模型在数据集欠缺的农业特定领域可以进行应用。(3)基于BERT预训练的农业实体关系联合抽取模型研究。目前实体关系联合抽取模型都使用Word2vec模型来训练词向量,针对Word2vec模型不能对多义词建模的问题,提出了一种基于BERT预训练的农业实体关系联合抽取模型BERT-BILSTM-LSTM。为了训练这个模型,构建了农业实体关系抽取数据集AgriRelation2018,该数据集标注了“水果”、“地理位置”2种实体类型和它们之间的“产地”关系,分为训练集和测试集2部分。训练集包含1348个句子,1161个关系实体三元组。测试集包含187个句子,133个关系实体三元组。与LSTM-LSTM-Bias模型相比,BERT-BILSTM-LSTM模型在农业数据集AgriRelation2018上F1值提高了2.8%,在NYT标准数据集上F1值提高了3.3%。结果表明,该模型克服了不能对多义词建模的缺陷,能够基本满足农业领域关系抽取的要求。(4)农业知识图谱构建与应用系统的设计与实现。综合应用上述研究成果,构建了农业知识图谱构建与应用系统,实现了叙词查询、实体识别、关系抽取、实体查询和关系查询等功能。系统的运行验证了上述研究方法、模型和算法的有效性。