雞常見疾病知識圖譜構建及應用

摘要 雞疫病問題一直是養(yǎng)殖業(yè)面臨的重大挑戰(zhàn)之一，傳統(tǒng)的疾病防治方法往往局限于單一病種、單一領域，難以對不同疾病之間的關聯(lián)和交叉感染進行全面有效地監(jiān)控和防治，知識管理技術有待提高。針對以上問題，該研究利用知識圖譜構建技術，對雞常見疾病知識進行系統(tǒng)整合和建模，利用大語言模型進行知識抽取與消歧，實現(xiàn)了15類常見疾病的高效管理，并通過Neo4j圖數(shù)據(jù)庫實現(xiàn)了知識圖譜的存儲與可視化。最后，展示了雞常見疾病知識圖譜在雞疾病信息查詢、智能輔助診斷等方面的應用，為養(yǎng)殖業(yè)的可持續(xù)發(fā)展提供了有力的技術支持和決策參考。

關鍵詞 雞；常見疾病；知識圖譜；大語言模型；Neo4j

中圖分類號 S 126 文獻標識碼 A 文章編號 0517-6611（2024）23-0220-06

doi：10.3969/j.issn.0517-6611.2024.23.048

Construction and Application of Knowledge Graph for Common Chicken Diseases

ZHANG Xiao-min1， 2， 3， ZHU Yi-hang1， 2， YU Shen4 et al

（1. College of Biosystem Engineering and Food Science， Zhejiang University， Hangzhou， Zhejiang 310058;2. Zhejiang Key Laboratory of Agricultural Intelligent Equipment and Robots， Hangzhou， Zhejiang 310058;3. Zhejiang Institute of Communications， Hangzhou， Zhejiang 311112;4. School of Computer & Communication Engineering， University of Science and Technology Beijing， Beijing 100083）

Abstract The avian disease issue has always been a significant challenge in the poultry industry. Traditional disease control methods often limit themselves to a single disease or a specific domain， making it difficult to comprehensively and effectively monitor and control the interrelationships and cross-infections among different diseases. Knowledge management technology needs improvement to address these issues. To tackle these challenges， we leveraged knowledge graph construction techniques to systematically integrate and model the knowledge of common chicken diseases. Employing large language models for knowledge extraction and disambiguation， this approach effectively managed 15 common diseases， achieving efficient knowledge management. Additionally， the study used Neo4j graph database for knowledge graph storage and visualization. Lastly， we demonstrated the application of the knowledge graph of common chicken diseases in areas， such as chicken disease information retrieval and intelligent diagnostic assistance， providing robust technical support and decision references for the sustainable development of the poultry industry.

Key words Chicken;Common diseases;Knowledge graph;Large language model;Neo4j

基金項目 國家重點研發(fā)計劃項目“鄉(xiāng)村產業(yè)共性關鍵技術研發(fā)與集成應用”（2023YFD1600300）。

作者簡介 張小敏（1996—），女，安徽安慶人，講師，博士，從事圖像識別與人工智能應用研究。*通信作者，教授，博士，從事智能農業(yè)裝備研究。

收稿日期 2024-01-15

家禽養(yǎng)殖業(yè)是全球農業(yè)中重要的組成部分［1］，我國更是家禽飼養(yǎng)、生產和消費大國。雞肉和雞蛋已成為人類日常飲食中重要的蛋白質來源［2］，但雞疫病問題一直是養(yǎng)殖業(yè)面臨的重大挑戰(zhàn)之一［3］。當一個養(yǎng)殖場或一個地區(qū)流行傳染病時，會造成該范圍內的雞大規(guī)模死亡，甚至可能對公共健康和經濟穩(wěn)定造成嚴重影響［4］。

傳統(tǒng)的疾病防治方法往往局限于單一病種、單一領域，難以對不同疾病之間的關聯(lián)和交叉感染進行全面有效的監(jiān)控和防治［5］，且大量的雞疾病信息分散在各種文獻、數(shù)據(jù)庫和專家經驗中，信息難以高效整合并加以應用。知識圖譜［6］作為一種語義信息網絡，具有將分散、雜亂數(shù)據(jù)轉化為結構化知識的能力，為雞疾病防治研究提供了全新的思路。目前基于知識圖譜的動物疾病防治工作已取得一定的進展［7-8］。楊喆［9］利用Neo4j圖數(shù)據(jù)庫構建了常見豬疾病的知識圖譜，實現(xiàn)了豬病的智能問答，允許用戶通過微信聊天界面進行12類常見豬病問題的查詢。許甜［10］基于知識圖譜構建了羊群疾病問答系統(tǒng)，采用Bi-LSTM+CRF模型進行命名實體識別，并引入Attention機制以增加關鍵詞的權重，從而實現(xiàn)了自動知識抽取。王浩棟［11］將深度學習與知識圖譜相結合，設計了奶牛疾病知識圖譜的模式層，包含8類實體和7類實體關系，其診斷準確率達到94.57%，F(xiàn)1值達到94.89%。Gu等［12］利用深度學習模型設計和實現(xiàn)了基于知識圖譜的雞病診斷問答系統(tǒng)，包含28種常見的雞病及其相應的癥狀、預防和治療措施。這些研究成果為畜牧獸醫(yī)領域的智能化疾病診斷與管理提供了重要的技術支持。

通過構建雞疾病知識圖譜，可以將各種疾病相關信息進行整合、聯(lián)結，實現(xiàn)對疾病發(fā)生、傳播規(guī)律的深入挖掘，為疾病的早期預警、診斷和防治提供支持。然而，目前針對雞疾病的防治工作仍然存在一些問題，如雞疾病相關的知識庫缺少疾病大類的判斷，搜索時存在查詢不準、詞條過多的問題，且搜索結果難以可視化、實際應用性有待提高［13］。

鑒于此，筆者探討雞常見疾病知識圖譜的構建與應用，以期為雞疾病防治工作提供新的思路和方法；通過系統(tǒng)地整合雞疾病相關信息，利用大語言模型進行知識抽取與消歧，構建雞疾病知識圖譜，通過Neo4j圖數(shù)據(jù)庫實現(xiàn)知識圖譜的存儲與可視化；同時探討其在疾病信息查詢、智能輔助診斷等方面的應用，有利于推動養(yǎng)殖業(yè)的可持續(xù)發(fā)展。

1 雞常見疾病知識管理框架

雞常見疾病知識管理框架如圖1所示，共包含4個模塊：①本體建模。針對雞常見疾病本體進行構建，包括概念定義、實體類別定義和關系定義。②知識獲取。通過百度百科、知網和獨秀圖書網搜尋得到雞常見疾病知識，并利用大語言模型將非結構化數(shù)據(jù)轉換為結構化數(shù)據(jù)。③知識抽取與融合。根據(jù)所構建的本體模型，對收集得到的文本進行知識抽取與融合，實現(xiàn)知識的有效映射。④知識存儲與應用。對融合后的知識加以存儲和管理，從而更好地應用于家禽疾病查詢和智能輔助診斷等方面。

1.1 雞常見疾病知識本體建模

根據(jù)文獻中對于雞常見疾病的描述，提取了11類要素作為主要實體（表1），包括疾病名稱、疾病描述、病原體、疾病種類、傳播途徑、易感時期、癥狀、并發(fā)癥、預防手段、治療措施和推薦藥物。相比于以往的雞常見疾病本體，該研究將疾病種類和推薦藥物單獨列出。這是由于不同種類的疾病其病因差異較大，通過判斷疾病種

類能夠及時確診并減少疫病的危害；而推薦藥物能夠幫助養(yǎng)殖人員對疾病進行迅速、有效的防治，充分考慮到了知識圖譜的應用性。

該研究構建的雞常見疾病領域內概念之間的關系見圖2，共包含了11種關系屬性。需要關注的是，該研究加入了疾病與疾病間的并發(fā)關系，這可以幫助養(yǎng)殖人員在發(fā)現(xiàn)和治療疾病時有所警惕，預防并發(fā)癥的爆發(fā)。通過以上提出的實體定義和關系定義，幫助構建一個完整的知識圖譜。

1.2 知識獲取

該研究涉及的雞常見疾病相關知識和數(shù)據(jù)是通過爬蟲技術和字符識別（OCR）［14］技術從百度百科、知網和獨秀圖書網等知識庫獲取得到的，其中知網和獨秀圖書網知識獲取時采用“雞”“疾病”“防治”等關鍵詞進行檢索。該研究獲取到了三大類?。ú《绢悅魅静?、細菌性傳染病和寄生蟲?。┕?5種細分常見病（新城疫、大腸桿菌病、沙門氏菌病等）。針對獲取到的知識庫，利用正則表達式進行數(shù)據(jù)清洗，得到規(guī)范化的雞常見疾病語料。然而，當前語料中仍然包含半結構化和非結構化數(shù)據(jù)，因此有必要對語料進行數(shù)據(jù)結構化處理。

1.3 數(shù)據(jù)結構化處理

為了將雞常見疾病語料庫進行數(shù)據(jù)結構化處理，該研究采用大型預訓練語言模型［15］GPT-3.5-turbo-16k作為有力工具。大語言模型能夠具備對自然語言文本的理解和生成能力，能夠將半結構化和非結構化的文本數(shù)據(jù)轉化為結構化的知識圖譜格式。

該研究首先構建一張包含雞常見疾病及關系屬性的表格，包括“1.1”提出的11種關系屬性。將該表格作為模板，非結構化語料作為輸入，利用大語言模型的理解和生成能力，輸出結構化后的數(shù)據(jù)，并將其轉為JSON格式數(shù)據(jù)集，以便后續(xù)知識圖譜的構建。

2 雞常見疾病知識圖譜建模

2.1 知識抽取與融合

在數(shù)據(jù)結構化處理后，需要對其進行知識抽取、整理實體與關系數(shù)據(jù)，該研究同樣采用大語言模型對雞常見疾病知識庫進行實體、關系和屬性信息提取，如將疾病名稱、癥狀描述、病原體信息等抽取出來，并建立它們之間的關聯(lián)。這一步驟有助于將原始文本中的信息轉化為適合于知識圖譜存儲的數(shù)據(jù)格式，為后續(xù)的知識圖譜構建奠定了基礎。

其次，大語言模型在消歧方面發(fā)揮關鍵作用，通過對文本中的語境和信息進行理解，能夠有效消除實體歧義和關系歧義，確保知識的準確性的一致性，如將精神不振、精神沉郁和精神疲憊等同義詞統(tǒng)一為精神不振。同時，大語言模型能夠促進知識的映射，即將來自不同數(shù)據(jù)源的信息進行關聯(lián)，建立起統(tǒng)一的知識體系，使得知識圖譜中的信息更加完整和全面。

通過以上步驟，能夠獲得無歧義的、完整的實體、關系和屬性數(shù)據(jù)，為雞常見疾病知識圖譜的構建提供了強大的語義理解和整合能力，也為后續(xù)的知識圖譜應用和分析提供了可靠的數(shù)據(jù)基礎。

2.2 知識圖譜的存儲

為了存儲雞常見疾病知識圖譜，該研究采用了Neo4j［16］圖數(shù)據(jù)庫作為存儲平臺。Neo4j是一種基于圖結構的數(shù)據(jù)庫管理系統(tǒng)，其以圖（graph）的形式存儲數(shù)據(jù)，并以節(jié)點（node）和關系（relationship）的方式表達實體之間的關聯(lián)。通過引入Neo4j，能夠將雞常見疾病的各種實體（疾病名稱、癥狀、病原體等）以節(jié)點的形式存儲，而它們之間的關聯(lián)則以關系的方式清晰地表達。這種存儲方式有利于對實體之間復雜的關系進行建模和查詢，使得知識圖譜的信息能夠以直觀且高效的方式被存儲和管理。此外，Neo4j提供了靈活的圖查詢語言Cypher，能夠針對知識圖譜中的實體和關系進行復雜的查詢和分析，從而為雞疾病信息查詢、智能輔助診斷提供了強大的數(shù)據(jù)支持和分析工具。

3 雞常見疾病知識圖譜可視化與應用

該研究采用Neo4j對雞常見疾病知識圖譜進行可視化，結果見圖3。用戶能夠清晰地瀏覽和理解雞常見疾病知識的組織結構和關聯(lián)關系。這種可視化呈現(xiàn)方式為用戶提供了直觀的方式來探索和理解知識圖譜中的復雜關系，從而為疾病信息查詢、智能輔助診斷等應用提供了直觀而有效的支持。

3.1 雞疾病信息查詢

疾病信息查詢是雞常見疾病知識圖譜的一大應用場景。利用知識圖譜的結構化特性和可視化界面，用戶可以快速獲取相關疾病的詳細信息（圖4），雞常見疾病查詢的方向主要包括以下3點：

3.1.1 疾病識別。用戶通過輸入癥狀或疾病特征，系統(tǒng)能夠提供相關疾病的詳細信息，包括病因、癥狀、傳播途徑等。這種識別功能有助于獸醫(yī)和養(yǎng)殖人員快速準確地診斷雞的患病情況和疾病發(fā)展規(guī)律，為疾病的早期預警提供科學依據(jù)。

3.1.2 預防/治療措施查詢。知識圖譜還支持用戶查詢針對特定疾病的防治措施，提供預防方法、控制措施等信息，為養(yǎng)殖業(yè)提供科學的疾病防治指導。

3.1.3 藥物推薦。用戶還能夠獲取關于針對特定疾病的藥物推薦信息，有助于用戶根據(jù)疾病特征和知識圖譜中的數(shù)據(jù)，制定更為科學和有效的治療方案，為雞疾病的治療提供有力支持。

3.2 常見疾病輔助診斷

疾病輔助診斷是雞常見疾病知識圖譜的另外一大應用場景。主要包括以下2個方面：

3.2.1 鑒別診斷。利用知識圖譜中的疾病關聯(lián)信息和癥狀信息，結合相關的醫(yī)學知識和臨床經驗，能夠協(xié)助養(yǎng)殖人員對雞的患病情況進行鑒別診斷。圖5為常見疾病與癥狀的關系圖譜，可以看出存在多種疾病對應同一種癥狀的情況，如白血病、馬立克氏病、傳染性支氣管炎、球蟲病、結核病、絳蟲病和蛔蟲病都包含“消瘦”這一癥狀，因此診斷時需獲取到多種癥狀進行綜合判斷，最終確定所患疾病。進一步地，統(tǒng)計發(fā)現(xiàn)癥狀出現(xiàn)頻次較高的為“下痢”“食欲下降”“消瘦”“精神不振”“羽毛松亂”“體溫升高”等，表明當出現(xiàn)這些情況時，雞患病的可能性較高，因此在養(yǎng)殖過程中需要重點關注以上特征。

3.2.2 病因分析。通過分析知識圖譜中的疾病關聯(lián)信息和傳播途徑，可以對雞患病的原因進行推斷，為制定針對性的防治措施提供科學依據(jù)。圖6為常見疾病與傳播途徑的關系圖譜，可以看出每種疾病都對應多種傳播途徑，如大腸桿菌病對應有“呼吸道”“糞便”“消化道”“種蛋”“肛門”“皮膚創(chuàng)傷”6種傳播途徑，因此病因分析時需綜合考慮到多種傳播途徑，可采用排除法進行歸因。進一步地，統(tǒng)計發(fā)現(xiàn)傳播途徑出現(xiàn)頻次較高的為“呼吸道”“飲水”“飼料”“糞便”“消化道”“眼結膜”“種蛋”等，代表雞最有可能患病的感染途徑，因此在養(yǎng)殖過程中需要重點關注環(huán)境衛(wèi)生情況并定期消毒。

4 結論與展望

雞疫病問題關乎養(yǎng)殖業(yè)發(fā)展、生物安全、公共健康和經濟問題，獲取準確的家禽疾病種類、病理癥狀、治療措施、預防措施等信息至關重要。該研究基于Neo4j圖數(shù)據(jù)庫構建了雞常見疾病知識圖譜，并加以應用。通過對雞常見疾病知識的概念、實體類型和關系種類進行定義，確定了知識本體模型。其次，通過爬蟲和OCR技術獲取疾病知識庫，根據(jù)正則表達式進行數(shù)據(jù)清洗，并基于大語言模型進行數(shù)據(jù)結構化處理、知識抽取與融合，成功實現(xiàn)了對15類常見疾病的智能管理。在應用場景方面，該研究提供了疾病信息查詢、智能輔助診斷2個領域切實可靠的應用思路，為未來的疾病防治和管理提供了新的思路和方法。未來研究將繼續(xù)深化對知識圖譜的構建與應用，進一步提升智能管理系統(tǒng)的準確性和可靠性，以期為養(yǎng)殖業(yè)的可持續(xù)發(fā)展提供更為全面和有效的技術支持。同時，也期待將這項技術拓展至其他領域，為廣泛的動物疾病管理和預防工作提供更為先進的解決方案。

參考文獻

［1］ MOTTET A，TEMPIO G.Global poultry production：Current state and future outlook and challenges［J］.World’s poultry science journal，2017，73（2）：245-256.

［2］ MIRANDA J M，ANTON X，REDONDO-VALBUENA C，et al.Egg and egg-derived foods：Effects on human health and use as functional foods［J］.Nutrients，2015，7（1）：706-729.

［3］ NKUKWANA T T.Global poultry production：Current impact and future outlook on the South African poultry industry［J］.South African journal of animal science，2018，48（5）：1-16.

［4］ COSTA T，AKDENIZ N.A review of the animal disease outbreaks and biosecure animal mortality composting systems［J］.Waste management，2019，90：121-131.

［5］ MEAD G，LAMMERDING A M，COX N，et al.Scientific and technical factors affecting the setting of Salmonella criteria for raw poultry：A global perspective［J］.Journal of food protection，2010，73（8）：1566-1590.

［6］ CHEN X J，JIA S B，YANG X.A review：Knowledge reasoning over knowledge graph［J］.Expert systems with applications，2020，141：1-21.

［7］ GAO M，WANG H D，SHEN W Z，et al.Disease diagnosis of dairy cow by deep learning based on knowledge graph and transfer learning［J］.International journal bioautomation，2021，25（1）：87-100.

［8］ HOANG V T，NGUYEN T S，LEE S，et al.Companion animal disease diagnostics based on literal-aware medical knowledge graph representation

learning［J］.IEEE access，2023，11：114238-114249.

［9］ 楊喆.基于圖數(shù)據(jù)庫Neo4j的常見豬病知識圖譜構建及應用［D］.武漢：華中農業(yè)大學，2023.

［10］ 許甜.基于知識圖譜的羊群疾病問答系統(tǒng)的研究與實現(xiàn)［D］.武漢：華中農業(yè)大學，2022.

［11］ 王浩棟.融合知識圖譜與深度學習的奶牛疾病診斷方法研究［D］.哈爾濱：東北農業(yè)大學，2023.

［12］ GU S S，WANG J，ZHENG S Q，et al.Knowledge graph based chicken disease diagnosis question answering system［C］//Communications in computer and information science.Singapore：Springer Nature Singapore，2022：246-259.

［13］ ASTILL J，DARA R A，F(xiàn)RASER E D G，et al.Detecting and predicting emerging disease in poultry with the implementation of new technologies and big data：A focus on avian influenza virus［J］.Frontiers in veterinary science，2018，5：1-12.

［14］ WEI X，CUI X Y，CHENG N，et al.ChatIE：Zero-shot information extraction via chatting with ChatGPT［R］.2023：1-16.

［15］ AMARJOT S，KETAN B，AKSHAY B.A survey of OCR applications［J］.International journal of machine learning and computing，2012，2（3）：314-318.

［16］ GUIA J，SOARES V G，BERNARDINO J.Graph databases：Neo4j analysis［C］//International conference on enterprise information systems.Philadelphia：ICEIS，2017：351-356.