海洋牧場裝備監(jiān)測系統(tǒng)知識圖譜構(gòu)建及應(yīng)用

張棟 楊顏聰 劉浩晨 孟靖雅 張德林 張海瑜

摘 要： 海洋牧場裝備監(jiān)測系統(tǒng)是海洋牧場裝備體系的重要組成部分，也是海洋牧場正常運(yùn)轉(zhuǎn)和設(shè)備安全性的保障系統(tǒng)。為增強(qiáng)海洋牧場管理人員及一線操作員工對裝備監(jiān)測系統(tǒng)的全面了解和提高設(shè)備維護(hù)水平，突破因?yàn)橄嚓P(guān)信息碎片化、知識體系不健全而形成的監(jiān)管肓目性，構(gòu)建了監(jiān)測系統(tǒng)知識圖譜。采用自上而下和自下而上相結(jié)合的方法，圍繞監(jiān)測系統(tǒng)一級設(shè)備、二級設(shè)備、二級設(shè)備功能、二級設(shè)備工作原理和二級設(shè)備使用要求5 個方面，獲取全面信息，建立知識關(guān)聯(lián)，解決海洋牧場裝備監(jiān)測系統(tǒng)知識碎片化問題。研究中，自上而下構(gòu)建模式層，通過本體建模完成知識圖譜的框架；自下而上構(gòu)建數(shù)據(jù)層，實(shí)現(xiàn)數(shù)據(jù)獲取與知識抽取、知識表示及知識融合，并將圖譜數(shù)據(jù)儲存于Neo4j 數(shù)據(jù)庫。構(gòu)建的知識圖譜為后續(xù)設(shè)計(jì)和開發(fā)海洋牧場裝備智能問答系統(tǒng)、智能搜索系統(tǒng)、故障診斷系統(tǒng)及智能推薦系統(tǒng)提供了參考依據(jù)和深度開發(fā)的基礎(chǔ)。

關(guān)鍵詞：海洋牧場；裝備；監(jiān)測系統(tǒng)；知識圖譜；構(gòu)建；爬蟲技術(shù)

中圖分類號：S126文獻(xiàn)標(biāo)識碼：A文章編號：2095-1795（2023）12-0037-07

DOI：10.19998/j.cnki.2095-1795.2023.12.007

0 引言

海洋牧場作為一種新興的集約型漁業(yè)生產(chǎn)方式，通過運(yùn)用現(xiàn)代工程技術(shù)和管理模式，能夠?qū)崿F(xiàn)漁業(yè)資源的可持續(xù)利用。裝備型海洋牧場是一種通過運(yùn)用現(xiàn)代技術(shù)裝備，融合應(yīng)用養(yǎng)殖技術(shù)和物聯(lián)網(wǎng)技術(shù)，實(shí)現(xiàn)養(yǎng)殖生產(chǎn)的集約化、裝備化和智能化的海洋牧場[1-3]。完善的裝備體系是裝備型海洋牧場發(fā)展的基礎(chǔ)，監(jiān)測系統(tǒng)作為海洋牧場裝備體系的重要組成部分，具有監(jiān)控管理、數(shù)據(jù)采集和數(shù)據(jù)處理等功能，保持海洋牧場的正常運(yùn)轉(zhuǎn)及保障設(shè)備的安全性。由于海洋牧場裝備監(jiān)測系統(tǒng)組成復(fù)雜，包含設(shè)備眾多，聯(lián)接關(guān)系復(fù)雜，信息量及獲取難度都較大，目前仍缺乏系統(tǒng)的知識集成，知識散落于各網(wǎng)站、說明書及學(xué)術(shù)論文中，相關(guān)知識與數(shù)據(jù)存在碎片化、散亂化、利用率低和聚合力差等問題，導(dǎo)致領(lǐng)域知識的利用率較低，不利于海洋牧場管理人員及一線操作員工對裝備監(jiān)測系統(tǒng)進(jìn)行全面的了解。為保證高效地利用海洋牧場裝備監(jiān)測系統(tǒng)領(lǐng)域知識，增強(qiáng)工作人員對裝備監(jiān)測系統(tǒng)的全面了解和提高設(shè)備維護(hù)水平，可通過構(gòu)建海洋牧場裝備監(jiān)測系統(tǒng)智能化知識服務(wù)平臺，對相關(guān)知識數(shù)據(jù)進(jìn)行梳理與集成。

諸多研究人員在海洋牧場裝備監(jiān)測系統(tǒng)領(lǐng)域展開了相關(guān)研究，并取得了豐碩成果。邢旭峰等[4] 采用海洋環(huán)境因子及水下影像采集和傳輸技術(shù)，研發(fā)了海洋牧場環(huán)境信息綜合監(jiān)測系統(tǒng)?；〉萚5] 以象山港海洋牧場基本海況為依托，設(shè)計(jì)了一套海洋牧場遠(yuǎn)程水質(zhì)監(jiān)測系統(tǒng)。曾兆銘等[6] 以水質(zhì)信息采集、數(shù)據(jù)中轉(zhuǎn)和數(shù)據(jù)處理中心為節(jié)點(diǎn)，設(shè)計(jì)出海洋生態(tài)牧場水質(zhì)環(huán)境監(jiān)測系統(tǒng)。但現(xiàn)有研究多集中在海洋牧場裝備監(jiān)測系統(tǒng)的設(shè)計(jì)方面，對海洋牧場裝備監(jiān)測系統(tǒng)知識集成方面的研究仍不充分。知識圖譜是近年來興起的智能認(rèn)知技術(shù)，其特點(diǎn)是高效地整合海量數(shù)據(jù)信息，使之組合為一張相互關(guān)聯(lián)的網(wǎng)絡(luò)圖，實(shí)現(xiàn)知識互聯(lián)，并挖掘、梳理出知識點(diǎn)之間的實(shí)體聯(lián)系和有價值的信息[7]。知識圖譜實(shí)質(zhì)是建立一個知識語義網(wǎng)絡(luò)，并用圖的形式描述現(xiàn)實(shí)世界中知識實(shí)體間的相互關(guān)系，使之成為互聯(lián)網(wǎng)能夠認(rèn)知的表達(dá)方式[8]。知識圖譜具有高效率、大規(guī)模、高質(zhì)量和語義豐富等優(yōu)點(diǎn)。其特點(diǎn)是通過實(shí)體抽取、實(shí)體間關(guān)系抽取和實(shí)體消歧等技術(shù)，實(shí)現(xiàn)數(shù)據(jù)收集、篩選和再融合等功能，并按某種規(guī)則構(gòu)建出完整的知識關(guān)系圖，以可視化的方式加以展示[9-14]。目前，許多研究人員在智能化裝備的知識圖譜領(lǐng)域展開了相關(guān)研究。ZHENG Pai 等[15] 提出了一種基于工業(yè)知識圖譜的多智能體強(qiáng)化學(xué)習(xí)方法來實(shí)現(xiàn)Self-X 認(rèn)知制造網(wǎng)絡(luò)。慈穎等[16] 通過結(jié)合航天裝備在役考核的實(shí)際應(yīng)用，提出一種基于航天裝備數(shù)據(jù)的知識圖譜體系構(gòu)建技術(shù)。陳思等[17] 采用深度學(xué)習(xí)方法對相關(guān)領(lǐng)域知識來源進(jìn)行聯(lián)合信息抽取，基于Neo4j 構(gòu)建了單兵裝備人機(jī)工效知識圖譜。胡衛(wèi)等[18] 通過研究軍事裝備管理數(shù)據(jù)知識圖譜構(gòu)建技術(shù)，實(shí)現(xiàn)了裝備管理數(shù)據(jù)的分層級多視圖的可視化呈現(xiàn)?？梢钥闯?，研究人員已經(jīng)在裝備領(lǐng)域知識圖譜的構(gòu)建方面有了較深入地研究與應(yīng)用，但在海洋牧場裝備領(lǐng)域的知識圖譜研究較少。鑒于此，本研究以海洋牧場裝備監(jiān)測系統(tǒng)知識為研究對象構(gòu)建知識圖譜，通過爬蟲和人工采集等方式獲取海洋牧場數(shù)據(jù)，并基于對已有數(shù)據(jù)的分析，自上而下構(gòu)建模式層，基于本體建模形成的知識圖譜概念框架，自下而上構(gòu)建數(shù)據(jù)層，通過數(shù)據(jù)獲取及抽取、知識表示及知識融合，將數(shù)據(jù)儲存于Neo4j 數(shù)據(jù)庫，完成知識圖譜構(gòu)建，實(shí)現(xiàn)碎片化知識的有效集成，消除海洋牧場管理人員及一線操作員工的監(jiān)管肓目性，為后續(xù)建立基于知識圖譜的海洋牧場裝備智能問答和智能檢索等系統(tǒng)提供數(shù)據(jù)和方法基礎(chǔ)。

1 構(gòu)建知識圖譜

1.1 知識圖譜

知識圖譜 （Knowledge Graph） 是Google 公司用于增強(qiáng)搜索引擎功能的輔助知識庫，其本質(zhì)是一種語義網(wǎng)絡(luò)，其基本構(gòu)成單元為實(shí)體?關(guān)系?實(shí)體的三元組，包括實(shí)體及其關(guān)聯(lián)屬性值對，實(shí)體之間通過關(guān)系互相連接，從而形成網(wǎng)狀知識結(jié)構(gòu)，能夠以圖形方式向用戶反饋結(jié)構(gòu)化的知識，用戶不必瀏覽大量網(wǎng)頁，就可以準(zhǔn)確定位和深度獲取知識[19-20]。Neo4j 是一種NoSQL的圖數(shù)據(jù)庫，其數(shù)據(jù)存儲形式主要是用節(jié)點(diǎn)（Node）和邊（Edge）來組織數(shù)據(jù)[21]。

1.2 本體構(gòu)建方法

知識圖譜根據(jù)知識數(shù)據(jù)的領(lǐng)域范圍和圖譜構(gòu)建方法的差別，可劃分為通用知識圖譜和領(lǐng)域知識圖譜[22]。通用知識圖譜常采用自下而上的方式進(jìn)行搭建，側(cè)重于知識的廣度；領(lǐng)域知識圖譜采用自上而下的方式從某領(lǐng)域的專業(yè)知識中提取數(shù)據(jù)添加到知識圖譜中[23]。本研究的海洋牧場裝備監(jiān)測系統(tǒng)知識圖譜屬于領(lǐng)域知識圖譜，傳統(tǒng)本體的建模采取自上而下的方式，人工依賴性強(qiáng)，所以采取自上而下和自下而上相結(jié)合的方式構(gòu)建海洋牧場裝備監(jiān)測系統(tǒng)知識圖譜[24]。自上而下是從頂層概念出發(fā)，抽取專業(yè)術(shù)語等，完成對領(lǐng)域知識的本體構(gòu)建，構(gòu)建出知識圖譜的模式層；自下而上是從各類知識源內(nèi)提取實(shí)體、關(guān)系和屬性，添加到數(shù)據(jù)層，然后將數(shù)據(jù)層的知識進(jìn)行歸納，最終構(gòu)建模式層。

1.3 知識圖譜構(gòu)建路徑

第1 步，對獲取的3 類數(shù)據(jù)分別進(jìn)行整理和提取，形成本研究所需要的數(shù)據(jù)（包含節(jié)點(diǎn)、屬性與關(guān)系）；

第2 步，進(jìn)行實(shí)體消歧、知識合并等知識融合過程；

第3 步，借助Python 的Py2neo 庫調(diào)用Neo4j，并將程序輸入的有關(guān)海洋牧場裝備監(jiān)測系統(tǒng)知識的數(shù)據(jù)存儲于Neo4j 中；第4 步，以Neo4j 專用的Cypher 語言進(jìn)行知識圖譜的設(shè)計(jì)，實(shí)現(xiàn)知識圖譜可視化，完成知識圖譜構(gòu)建工作[25]。構(gòu)建路徑如圖1 所示。

1.4 知識獲取及抽取

構(gòu)建海洋牧場裝備監(jiān)測系統(tǒng)知識圖譜所需的數(shù)據(jù)主要包括結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)。其中結(jié)構(gòu)化數(shù)據(jù)主要是指儲存在數(shù)據(jù)庫中，并且可用二維表結(jié)構(gòu)邏輯來表達(dá)的數(shù)據(jù)；半結(jié)構(gòu)化數(shù)據(jù)包括互聯(lián)網(wǎng)HTML 文檔等；非結(jié)構(gòu)化數(shù)據(jù)包括文本、圖形、圖像等[26-29]。本研究所獲取的數(shù)據(jù)中，結(jié)構(gòu)化數(shù)據(jù)來自中集藍(lán)一號說明書，半結(jié)構(gòu)化數(shù)據(jù)及非結(jié)構(gòu)化數(shù)據(jù)來自百度百科、新聞網(wǎng)站報(bào)道、相關(guān)公司官網(wǎng)、中國知網(wǎng)、谷歌學(xué)術(shù)及萬方數(shù)據(jù)。在半結(jié)構(gòu)化數(shù)據(jù)及非結(jié)構(gòu)化數(shù)據(jù)方面，對于專業(yè)性較強(qiáng)的知識，如漁業(yè)設(shè)備的工作原理等，需從中國知網(wǎng)等平臺中的學(xué)術(shù)期刊及論文獲取，對于通識性較強(qiáng)的知識，如投餌設(shè)備的功能等，可從百度百科及一些新聞網(wǎng)站等途徑獲取，數(shù)據(jù)來源如圖2 所示。針對網(wǎng)站數(shù)據(jù)類型的多樣性，先使用爬蟲技術(shù)從網(wǎng)站獲取數(shù)據(jù)信息，再對包括文本數(shù)據(jù)、圖片數(shù)據(jù)等在內(nèi)的數(shù)據(jù)信息進(jìn)行抽取。爬蟲操作步驟以爬取百度百科中的數(shù)據(jù)信息為例：首先使用Requests 庫向目標(biāo)網(wǎng)站發(fā)送請求，獲取網(wǎng)頁的HTML源代碼；然后借助Beautifulsoup4 庫對HTML 源代碼進(jìn)行解析，提取出需要的信息和鏈接；最后將提取出來的數(shù)據(jù)存儲到csv、txt 等格式文件中[30]。信息抽取能夠從半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)中抽取結(jié)構(gòu)化信息，并且面向知識圖譜的信息抽取主要是以三元組的形式進(jìn)行[31]。

1.5 知識表示

知識表示是知識圖譜研究中的重要一環(huán)，能夠?qū)?shí)體?關(guān)系?實(shí)體三元組形式的知識組織起來，搭建完整的知識網(wǎng)絡(luò)[32]。RDF（ Resource DescriptionFramework）采用三元組集合的方式在知識圖譜中描述事物和關(guān)系，具有互操作性、可拓展性和標(biāo)準(zhǔn)化等特性，在知識圖譜的構(gòu)建中被廣泛使用。海洋牧場裝備監(jiān)測系統(tǒng)知識圖譜的構(gòu)建需要完成對信息的實(shí)體、關(guān)系及屬性定義，Neo4j 中的實(shí)體、關(guān)系和屬性可與RDF 數(shù)據(jù)進(jìn)行對應(yīng)，并且Neo4j 可對RDF 中的數(shù)據(jù)進(jìn)行存儲，遂采用RDF 三元組方式對實(shí)體、關(guān)系與屬性進(jìn)行定義[33]。海洋牧場裝備監(jiān)測系統(tǒng)的知識表示結(jié)合復(fù)雜的知識來源及監(jiān)測系統(tǒng)的特點(diǎn)，確定了監(jiān)測系統(tǒng)一級設(shè)備、二級設(shè)備、二級設(shè)備功能、二級設(shè)備工作原理及二級設(shè)備使用要求5 大方面，定義各節(jié)點(diǎn)標(biāo)簽內(nèi)實(shí)體、關(guān)系與屬性，并采用RDF 三元組方式表達(dá)。節(jié)點(diǎn)標(biāo)簽與概念如表1 所示，海洋牧場裝備監(jiān)測系統(tǒng)知識圖譜部分三元組如表2 所示。

由表1 可知，一級設(shè)備包含集控系統(tǒng)、通導(dǎo)系統(tǒng)、漁業(yè)設(shè)備、電源系統(tǒng)、安全系統(tǒng)和消防設(shè)備6 個概念；二級設(shè)備包含智能化裝備、網(wǎng)絡(luò)WIFI 系統(tǒng)、供料器、太陽能光伏板、應(yīng)急安全措施和火警探測系統(tǒng)等概念；二級設(shè)備功能包含監(jiān)控和管理、定時投喂、智能投喂、數(shù)據(jù)采集和數(shù)據(jù)傳輸?shù)?；二級設(shè)備工作原理包含通過同步齒輪帶動做等速反向旋轉(zhuǎn)等概念；二級設(shè)備使用要求包含進(jìn)氣溫度、微粒雜質(zhì)含量等。

1.6 知識融合

通過知識抽取操作，獲取的結(jié)果可能會包含大量的冗余信息， 因此需要進(jìn)行知識融合（KnowledgeFusion）。知識融合又叫作知識整合，包括兩個部分：第1 部分為實(shí)體鏈接，第2 部分為知識合并。其中實(shí)體鏈接需要解決的一個重要問題是實(shí)體消歧[34]。在知識圖譜構(gòu)建過程中，實(shí)體消歧可以解決多源性數(shù)據(jù)造成的同名異義問題，方法主要有分類方法、機(jī)器學(xué)習(xí)排序方法、基于圖的方法和模型集成方法等[35]。本研究中的雷達(dá)光電入侵偵測安防系統(tǒng)也稱作雷達(dá)光電融合安防系統(tǒng)，是應(yīng)用于偵測安防的設(shè)備，進(jìn)行實(shí)體消歧有助于提升知識圖譜的利用效果。為表示字符串的相似度，可采用編輯距離（Edit Distance）與杰卡德（Jaccard）相似度相結(jié)合的方法來計(jì)算兩個字符串A與B 之間的相似度[36]。

編輯距離是指兩個字符串之間相互轉(zhuǎn)換所需的最少操作數(shù)，其相似度計(jì)算公式如式（1）。

為探究式（3）的效果，以集控系統(tǒng)中管理層中的內(nèi)容為例，包括智能化裝備、顯示器、智能網(wǎng)關(guān)、集控軟件、以太網(wǎng)交換機(jī)和視頻服務(wù)器，根據(jù)從網(wǎng)站爬取的信息，管理層中內(nèi)容別名分別為智能裝備、顯示屏、網(wǎng)絡(luò)設(shè)備、集中控制軟件、交換式集線器和網(wǎng)絡(luò)視頻服務(wù)器。

第1 步，計(jì)算EDSim（A，B）：先調(diào)用Python 中Distance 庫，使用Levenshtein 方法，得出EDA，B 為16，最終得出相似度0.733。第2 步，計(jì)算Jaccard（A，B）：先調(diào)用Python 中Sklearn 庫中的CountVectorizer 來計(jì)算句子的TF 矩陣，然后利用Numpy 來計(jì)算二者的交集和并集，最終得出杰卡德相似度0.541。第3 步，計(jì)算strSim（A，B）：最終得出相似度0.637。

由計(jì)算結(jié)果可知，式（3）可以較好地避免式（1）和式（2）計(jì)算值過高或過低帶來較大偏差的影響，即式（3）可以較好地用于字符串相似度計(jì)算，較高的相似度說明從網(wǎng)站自動爬取信息得到的結(jié)果較為理想。

2 知識圖譜可視化

對海洋牧場裝備監(jiān)測系統(tǒng)知識圖譜進(jìn)行可視化能夠?qū)⑵潢P(guān)系與屬性直觀地展示出來，本研究通過使用Cypher 語言來實(shí)現(xiàn)知識圖譜的可視化。進(jìn)行可視化之前，先需要將三元組形式的知識儲存在Neo4j 中，對已確定的實(shí)體、關(guān)聯(lián)與屬性進(jìn)行定義，共抽取502 個實(shí)體、475 條三元組數(shù)據(jù)集合，所構(gòu)建的海洋牧場裝備監(jiān)測系統(tǒng)知識圖譜選擇以監(jiān)測系統(tǒng)一級設(shè)備、二級設(shè)備、二級設(shè)備功能、二級設(shè)備工作原理及二級設(shè)備使用要求5 個節(jié)點(diǎn)標(biāo)簽為核心，由此生成可視化知識圖譜。海洋牧場裝備監(jiān)測系統(tǒng)知識圖譜局部結(jié)構(gòu)如圖3 所示。

由圖3 可知，所構(gòu)建的知識圖譜能夠清晰地表達(dá)所設(shè)置的海洋牧場裝備監(jiān)測系統(tǒng)節(jié)點(diǎn)，每一個圓形節(jié)點(diǎn)代表一個實(shí)體，兩個圓形節(jié)點(diǎn)之間的連接線代表這兩個實(shí)體之間的關(guān)系，并且關(guān)系通常是有方向的。

3 知識圖譜應(yīng)用

知識圖譜具有強(qiáng)大的檢索功能，在AI 領(lǐng)域應(yīng)用前景廣闊。監(jiān)測系統(tǒng)作為海洋牧場裝備中的重要部分，具有監(jiān)控管理、數(shù)據(jù)采集和數(shù)據(jù)處理等重要功能，基于該知識圖譜，可為海洋牧場裝備知識科普及裝備維護(hù)等提供相關(guān)幫助和數(shù)據(jù)支持，助力海洋牧場裝備智能問答、智能搜索、故障診斷及智能推薦等系統(tǒng)實(shí)現(xiàn)。

3.1 海洋牧場裝備知識智能問答

隨著AI 的蓬勃發(fā)展，海洋牧場裝備領(lǐng)域?qū)τ谥悄軉柎鹣到y(tǒng)的需求已非常旺盛。智能問答功能的實(shí)現(xiàn)必須要有海量數(shù)據(jù)作為支撐，所以基于Neo4j 的海洋牧場裝備監(jiān)測系統(tǒng)知識圖譜能夠?qū)τ脩糨斎氲谋O(jiān)測系統(tǒng)相關(guān)問題內(nèi)容進(jìn)行充分解讀，進(jìn)而提供相應(yīng)的解答，如用戶查詢海洋牧場集控系統(tǒng)的組成，智能問答系統(tǒng)便會提供智能化裝備、顯示器和智能網(wǎng)關(guān)等概念。

3.2 海洋牧場裝備知識智能搜索

用戶借助Neo4j 圖知識庫相關(guān)領(lǐng)域知識的關(guān)聯(lián)節(jié)點(diǎn)、屬性與關(guān)系的查找功能，快速定位到相關(guān)實(shí)體或?qū)傩陨希@取所需的海洋牧場裝備監(jiān)測系統(tǒng)知識，提高了查詢效率。如用戶點(diǎn)擊“通導(dǎo)系統(tǒng)”，便會獲取信號燈系統(tǒng)、視頻監(jiān)控系統(tǒng)等概念。

3.3 海洋牧場裝備故障診斷

海洋牧場裝備監(jiān)測系統(tǒng)知識圖譜蘊(yùn)含多個監(jiān)控設(shè)備、設(shè)備功能、工作原理及設(shè)備的使用要求等本體之間的隱含關(guān)系，根據(jù)裝備維護(hù)人員輸入的故障現(xiàn)象，提供可能的故障原因，裝備維護(hù)人員也可將未發(fā)現(xiàn)的故障原因補(bǔ)充到知識圖譜中，以減少未來發(fā)生類似故障的可能性。

3.4 海洋牧場裝備知識智能推薦

用戶不僅可以對知識進(jìn)行主動搜索，還能依靠系統(tǒng)的智能推薦服務(wù)進(jìn)行主動推薦。知識圖譜通過結(jié)合用戶的知識搜索記錄、知識單元訪問頻率等信息，可利用協(xié)同過濾推薦算法分析用戶的知識需求，向用戶推薦可能需要的海洋牧場裝備中的監(jiān)測系統(tǒng)知識，以及推送其可能感興趣的監(jiān)測系統(tǒng)知識[37]。

4 結(jié)束語

采用自上而下和自下而上相結(jié)合的方法，從數(shù)據(jù)獲取及知識抽取、知識表示和知識融合等方面構(gòu)建海洋牧場裝備監(jiān)測系統(tǒng)知識圖譜，使用編輯距離與杰卡德相似度相結(jié)合的方法驗(yàn)證從網(wǎng)站爬取信息的效果，并實(shí)現(xiàn)知識圖譜的可視化。構(gòu)建的知識圖譜可以增強(qiáng)海洋牧場管理人員及一線操作員工對裝備監(jiān)測系統(tǒng)的全面了解和提高設(shè)備維護(hù)水平，消除監(jiān)管肓目性，并可為后續(xù)構(gòu)建海洋牧場裝備智能問答系統(tǒng)、智能搜索系統(tǒng)、故障診斷系統(tǒng)及智能推薦系統(tǒng)提供參考。

參考文獻(xiàn)

楊紅生，章守宇，張秀梅，等．中國現(xiàn)代化海洋牧場建設(shè)的戰(zhàn)略思考[J]．水產(chǎn)學(xué)報(bào)，2019，43（4）：1 255-1 262．

YANG Hongsheng， ZHANG Shouyu， ZHANG Xiumei， et al． Strategicthinking on the construction of modern marine ranching in China[J]．Journal of Fisheries of China，2019，43（4）：1 255-1 262．

孫松， 臧文瀟． 海洋漁業(yè)與生態(tài)文明[J]． 科技導(dǎo)報(bào)， 2020，38（14）：40-45．

SUN Song， ZANG Wenxiao． Fishery and ecological civilization[J]．Science & Technology Review，2020，38（14）：40-45．

趙振營，丁金強(qiáng)，紀(jì)云龍，等．現(xiàn)代信息技術(shù)與工程裝備在海洋牧場建設(shè)中的探索實(shí)踐[J]．中國水產(chǎn)，2020（4）：33-37．

邢旭峰，王剛，李明智，等．海洋牧場環(huán)境信息綜合監(jiān)測系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]．大連海洋大學(xué)學(xué)報(bào)，2017，32（1）：105-110．

XING Xufeng， WANG Gang， LI Mingzhi， et al． Development of acomprehensive monitoring system on environmental information in searanching[J]．Journal of Dalian Ocean University，2017，32（1）：105-110．

花俊，胡慶松，李俊，等．海洋牧場遠(yuǎn)程水質(zhì)監(jiān)測系統(tǒng)設(shè)計(jì)和實(shí)驗(yàn)[J]．上海海洋大學(xué)學(xué)報(bào)，2014，23（4）：588-593．

HUA Jun， HU Qingsong， LI Jun， et al． Design and test of marineranching remote water quality monitoring system[J]．Journal of ShanghaiOcean University，2014，23（4）：588-593．

曾兆銘，王啟銘，吳勝，等．海洋生態(tài)牧場水質(zhì)環(huán)境監(jiān)測系統(tǒng)設(shè)計(jì)[J]．智慧農(nóng)業(yè)導(dǎo)刊，2021，1（21）：7-9，13．

ZENG Zhaoming，WANG Qiming，WU Sheng，et al．Design of waterquality and environment monitoring system for marine ecological pastures[J]．Journal of Smart Agriculture，2021，1（21）：7-9，13．

常亮，張偉濤，古天龍，等．知識圖譜的推薦系統(tǒng)綜述[J]．智能系統(tǒng)學(xué)報(bào)，2019，14（2）：207-216．

CHANG Liang，ZHANG Weitao，GU Tianlong，et al．Review of recommendationsystems based on knowledge graph[J]． CAAI Transactionson Intelligent Systems，2019，14（2）：207-216．

漆桂林，高桓，吳天星．知識圖譜研究進(jìn)展[J]．情報(bào)工程，2017，3（1）：4-25．

QI Guilin， GAO Huan， WU Tianxing． The research advances ofknowledge graph[J]． Technology Intelligence Engineering， 2017，3（1）：4-25．

孫琛琛，申德榮，寇月，等．面向?qū)嶓w識別的聚類算法[J]．軟件學(xué)報(bào)，2016，27（9）：2 303-2 319．

SUN Chenchen， SHEN Derong， KOU Yue， et al． Entity resolutionoriented clustering algorithm[J]．Journal of Software，2016，27（ 9） ：2 303-2 319．

張秋穎，傅洛伊，王新兵．基于BERT-BiLSTM-CRF 的學(xué)者主頁信息抽取[J]．計(jì)算機(jī)應(yīng)用研究，2020，37（S1）：47-49．

ZHANG Qiuying， FU Luoyi， WANG Xinbing． Information extractionfrom scholar homepage based on BERT-BiLSTM-CRF[J]．ApplicationResearch of Computers，2020，37（S1）：47-49．

MIWA M， BANSAL M． End-to-end relation extraction using LSTMson sequences and tree structures[J]．CoRR，2016．DOI：10.18653/v1/P16-1105．

寧尚明，滕飛，李天瑞．基于多通道自注意力機(jī)制的電子病歷實(shí)體關(guān)系抽取[J]．計(jì)算機(jī)學(xué)報(bào)，2020，43（5）：916-929．

NING Shangming， TENG Fei， LI Tianrui． Multi-channel self-attentionmechanism for relation extraction in clinical records[J]． ChineseJournal of Computers，2020，43（5）：916-929．

陳騫．基于關(guān)系觸發(fā)詞的微博人物關(guān)系抽取[J]．電腦編程技巧與維護(hù)，2019（4）：19-20．

REBELE T， SUCHANEK F， HOFFART J， et al． YAGO： a multilingualknowledge base from wikipedia， wordnet， and geonames[C]//The Semantic Web–ISWC 2016：15th International Semantic WebConference， Kobe， Japan， October 17–21， 2016， Proceedings，Part II 15．Springer International Publishing，2016：177-185．

ZHENG Pai，XIA Liqiao，LI Chengxi，et al．Towards self-X cognitivemanufacturingnetwork： an industrial knowledge graph-based multiagentreinforcement learning approach[J]． Journal of ManufacturingSystems，2021，61：16-26．

慈穎，秦留洋，韓惠婕．基于航天裝備數(shù)據(jù)的知識圖譜體系研究[J/OL]．計(jì)算機(jī)測量與控制：1-9．http：//kns.cnki.net/kcms/detail/11.4762.TP.20230318.1401.002.html．

CI Ying， QIN Liuyang， HAN Huijie． Research on knowledge graphsystem based on space equipment data[J/OL]． Computer Measurement& Control： 1-9． http：//kns.cnki.net/kcms/detail/11.4762.TP.20230318.1401.002.html．

陳思，王亞平，王新蕊，等．單兵裝備人機(jī)工效知識圖譜構(gòu)建技術(shù)[J]．兵工自動化，2023，42（2）：6-12，31．

CHEN Si， WANG Yaping， WANG Xinrui， et al． Constructiontechodogy of knowledge map in individual equipment ergonomics[J]．Ordnance Industry Automation，2023，42（2）：6-12，31．

胡衛(wèi)，趙文龍，李石磊，等．軍事裝備管理數(shù)據(jù)知識圖譜構(gòu)建及應(yīng)用[J]．火力與指揮控制，2022，47（10）：125-131．

HU Wei， ZHAO Wenlong， LI Shilei， et al． Research on the constructionand application of knowledge graph of military equipment managementdata[J]．Fire Control & Command Control，2022，47（ 10） ：125-131．

王浩學(xué)，王興?。贜eo4j 的語言學(xué)術(shù)語知識圖譜構(gòu)建研究[J/OL]．中國科技術(shù)語：1-9．http：//kns.cnki.net/kcms/detail/11.5554.N.20230414.1021.002.html．

WANG Haoxue， WANG Xinglong． Graph construction of linguisticterm knowledge based on Neo4j[J/OL]．China Terminology：1-9．http：//kns.cnki.net/kcms/detail/11.5554.N.20230414.1021.002.html．

劉嶠，李楊，段宏，［20］ 等．知識圖譜構(gòu)建技術(shù)綜述[J]．計(jì)算機(jī)研究與發(fā)展，2016，53（3）：582-600．

LIU Qiao，LI Yang，DUAN Hong，et al．Knowledge graph constructiontechniques[J]． Journal of Computer Research and Development，2016，53（3）：582-600．

陸楓．基于Neo4j 的人員關(guān)系知識圖譜構(gòu)建及應(yīng)用[J]．軟件工程，2022，25（9）：5-8．

LU Feng． Construction and application of personnel relationship knowledgegraph based on Neo4j[J]．Software Engineering，2022，25（9）：5-8．

劉悅悅，李燕．醫(yī)學(xué)知識圖譜研究綜述[J/OL]．軟件導(dǎo)刊：1-7．http：//kns.cnki.net/kcms/detail/42.1671.TP.20230427.1057.015.html．

LIU Yueyue， LI Yan． Review of medical knowledge graph research[J/OL]．Software Guide：1-7．http：//kns.cnki.net/kcms/detail/42.1671.TP.20230427.1057.015.html．

黃賀瑄，王曉燕，顧正位，等．醫(yī)學(xué)知識圖譜構(gòu)建技術(shù)及發(fā)展現(xiàn)狀研究[J/OL]．計(jì)算機(jī)工程與應(yīng)用：1-18．http：//kns.cnki.net/kcms/detail/11.2127.TP.20230227.1037.002.html．

HUANG Hexuan， WANG Xiaoyan， GU Zhengwei， et al． Researchon construction technology and development status of medical knowledgegraph[J/OL]． Computer Engineering and Applications： 1-18．http：//kns.cnki.net/kcms/detail/11.2127.TP.20230227.1037.002.html．

李高云，曠生玉，楊政，等．電磁目標(biāo)知識圖譜構(gòu)建技術(shù)[J]．電子信息對抗技術(shù)，2021，36（4）：1-5，15．

LI Gaoyun，KUANG Shengyu，YANG Zheng，et al．Electromagnetictarget knowledge graph construction technology[J]． Electronic InformationWarfare Technology，2021，36（4）：1-5，15．

劉金壘，惠小珊，張振鵬，等．基于中醫(yī)診療指南的冠心病知識圖譜構(gòu)建[J]．中國實(shí)驗(yàn)方劑學(xué)雜志，2023，29（7）：208-215．

LIU Jinlei， HUI Xiaoshan， ZHANG Zhenpeng， et al． Knowledgegraph construction of coronary heart disease based on traditional chinesemedicine diagnosis and treatment guidelines[J]．Chinese Journal of ExperimentalTraditional Medical Formulae，2023，29（7）：208-215．

JIA R， LIANG P． Data recombination for neural semantic parsing[J]．CoRR，2016．DOI：10.18653/v1/P16-1002．

付佳潔，謝雨辰，張德林，等．冷鮮羊肉品質(zhì)檢測知識圖譜構(gòu)建及可視化研究[J]．農(nóng)產(chǎn)品加工，2023（5）：65-69．

FU Jiajie，XIE Yuchen，ZHANG Delin，et al．Knowledge map constructionand visualisation for quality testing of chilled lamb[J]． FarmProducts Processing，2023（5）：65-69．

李巍，廖雪花，楊軍．基于頻繁子樹模式的半結(jié)構(gòu)化數(shù)據(jù)集聚類[J]．計(jì)算機(jī)工程與設(shè)計(jì)，2022，43（10）：2 783-2 789．

LI Wei， LIAO Xuehua， YANG Jun． Semi-structured data clusterbased on frequent subtree pattern[J]．Computer Engineering and Design，2022，43（10）：2 783-2 789．

侯本忠，張永強(qiáng)，尚穎，等．基于自然語言的云數(shù)據(jù)庫非結(jié)構(gòu)化數(shù)據(jù)提取[J]．信息技術(shù)，2023，47（3）：57-63．

HOU Benzhong，ZHANG Yongqiang，SHANG Ying，et al．Unstructureddata extraction from cloud database based on natural language [J]．Information Technology，2023，47（3）：57-63．

程增輝，夏林旭，劉茂福．基于Python 的健康數(shù)據(jù)爬蟲設(shè)計(jì)與實(shí)現(xiàn)[J]．軟件導(dǎo)刊，2019，18（2）：60-63．

CHENG Zenghui， XIA Linxu， LIU Maofu． The design and implementationof health data crawler using python[J]． Software Guide，2019，18（2）：60-63．

周俊，鄭彭元，袁立存，等．基于改進(jìn)CASREL 的水稻施肥知識圖譜信息抽取研究[J]． 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（ 11） ： 314-322．

ZHOU Jun， ZHENG Pengyuan， YUAN Licun， et al． Knowledgegraph information extraction for rice fertilization based on improvedCASREL[J]． Transactions of the Chinese Society for Agricultural Machinery，2022，53（11）：314-322．

劉玉華，翟如鈺，張翔，等．知識圖譜可視分析研究綜述[J]．計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2023，35（1）：23-36．

LIU Yuhua， ZHAI Ruyu， ZHANG Xiang， et al． A survey on thevisual analytics of knowledge graph[J]． Journal of Computer-AidedDesign & Computer Graphics，2023，35（1）：23-36．

高勁松，張強(qiáng)，李帥珂．可移動文物的知識圖譜構(gòu)建及關(guān)聯(lián)數(shù)據(jù)存儲：以湖北省博物館為例[J]．現(xiàn)代情報(bào)，2022，42（ 4）：88-98．

GAO Jinsong， ZHANG Qiang， LI Shuaike． Construction of knowledgegraph and linked data storage of movable cultural relics： takinghubei provincial museum as an example[J]．Journal of Modern Information，2022，42（4）：88-98．

劉巍，陳霄，陳靜，等．知識圖譜技術(shù)研究[J]．指揮控制與仿真，2021，43（6）：6-13．

LIU Wei， CHEN Xiao， CHEN Jing， et al． Review on knowledgegraph techniques[J]．Command Control & Simulation，2021，43（6）：6-13．

張鵬舉，賈永輝，陳文亮．基于多特征實(shí)體消歧的中文知識圖譜問答[J]．計(jì)算機(jī)工程，2022，48（2）：47-54．

ZHANG Pengju， JIA Yonghui， CHEN Wenliang． Chinese knowledgebased question answering based on multi-feature entity disambiguation[J]．Computer Engineering，2022，48（2）：47-54．

唐思宇，李賽飛，張麗杰．基于Neo4j 的網(wǎng)絡(luò)安全知識圖譜構(gòu)建分析[J]．信息安全與通信保密，2022（8）：60-70．

TANG Siyu， LI Saifei， ZHANG Lijie． Research on the constructionof cyber security knowledge graph based on Neo4j[J]．Information Securityand Communications Privacy，2022（8）：60-70．

侯位昭，張欣海，宋凱磊，等．融合知識圖譜及貝葉斯網(wǎng)絡(luò)的智能推薦方法[J]．中國電子科學(xué)研究院學(xué)報(bào)，2020，15（ 5）：488-494．

HOU Weizhao，ZHANG Xinhai，SONG Kailei，et al．Intelligent recommendationmethod combining knowledge graph and bayesian network[J]． Journal of China Academy of Electronics and InformationTechnology，2020，15（5）：488-494．