农业机械学报

作者：李书琴，高云帆

单位：西北农林科技大学,西北农林科技大学,

关键词：羊病诊断;知识图谱;图卷积网络;可解释性;自然语言处理;多模态融合

基金：国家重点研发计划项目（2022YFD1300200）

针对疾病诊断模型仅依靠语义特征而缺少结构特征，导致弱化诊断效果的问题，本文提出了基于知识图谱和语义与结构融合的羊病诊断方法。该方法采用双向门控循环单元（Bidirectional gated recurrent unit，BiGRU）获取症状文本的语义特征，采用图卷积网络（Graph convolutional network，GCN）获取症状知识图谱中潜在的结构特征。为更好地融合语义特征和结构特征，引入改进的注意力特征融合（Attentional feature fusion，AFF）模块。在羊病症状数据集Sheep上进行实验，结果表明本文模型的准确率、精确率、召回率、F1值、平均倒数排名分别达到96.86%、97.73%、97.32%、97.25%、97.49%，与TextCNN、TextRCNN、TextRNN、DPCNN、LASA、HSAN-capsule、DCDKG、CNN-BiLSTM-Attention等模型对比，准确率提升0.19~1.76个百分点，精确率提升0.18~0.84个百分点，召回率提升0.14~1.21个百分点，F1值提升0.21~1.50个百分点，平均倒数排名提升0.15~0.23个百分点。同时在公开数据集Dxy和Muzhi上进行实验，模型表现出较好的鲁棒性。为增强疾病诊断的可解释性，本文提出了改进的基于梯度的显著性方法以解释诊断结果。该研究提出的融合语义和结构特征的方法有效提高了疾病诊断准确率，为羊病诊断提供技术支撑。

来源：2025年第7期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第7期