《中国酿造》:北方民族大学王金云教授等:酿酒葡萄栽培知识图谱构建及应用研究
发布时间:
2026-04-16
来源:
中国酿造杂志
目前,我国智慧农业需求主要体现在农业种植和畜牧养殖的生产经营环节,农业数字经济水平低于绝大多数的服务业和工业行业,农业数字化转型相对滞后,存在较大提升空间。 葡萄产业蓬勃发展,加快推进葡萄栽培数字化转型,对我国农业产业结构调整、区域经济发展和乡村振兴等方面发挥重大作用。受海陆分布、大气环流、所处纬度和地面状况等影响,我国具有多样的气候类型,使得不同地区葡萄栽培技术不同。同时,葡萄果实具备多样化用途,对气候和栽培技术要求各异。 任何栽培技术要与地区风土条件相吻合,突出葡萄风格,提高葡萄质量。农业数字化是农业现代化的高阶业态,提升葡萄栽培主体的专业化水平及数字化素养,可以有效促进葡萄产业数字化转型。
然而,我国葡萄栽培知识服务整体上存在供需结构性失衡、区域差异性较大、知识服务渠道不畅通等问题。以信息搜索为主的葡萄栽培信息服务已无法满足葡萄栽培主体对复杂知识的需求,同时酿酒葡萄栽培是葡萄酒产业的核心环节,一旦葡萄栽培技术不当,就会削弱葡萄风土特征,降低葡萄酒品质。知识图谱作为一种用图模型来描述世界万物关系的技术方法,可以有效解释葡萄栽培领域知识的动态发展规律,为葡萄栽培主体提供技术指导。现有研究聚焦于人工标注的葡萄小样本数据集,通过改进知识抽取方法,构建葡萄知识图谱;聂啸林等研究提出了来自转换器的双向编码器表征量(BERT)和残差结构(RS)融合的命名实体识别模型(BBNER-RS),基于深度学习的两阶段式领域知识图谱构建方法,从人民日报、玻森、简历和微博数据集上抽取葡萄领域知识,构建葡萄知识图谱;杨硕等使用多模态知识图谱来增强问答对的答案选择模型,与其他模型相比,在葡萄问答数据集中回答准确率显著提高;AYADI Y N等基于不同的自然语言处理技术和工具,构建了不同农作物的跨领域知识图谱;GUAN L Z等提出了一种基于提示学习的农业知识推理框架。以上学者基于葡萄栽培小样本数据集构建葡萄本体模型,未能体现葡萄栽培技术的区域化及动态性特点。模型在特定数据集上的知识抽取任务和回答问题准确性上表现良好,但葡萄栽培数据来源广阔,类型多样,人工标注数据成本高,且耗费大量时间,限制了葡萄栽培知识图谱内容丰富性与完整性,阻碍了知识图谱的落地应用。刘杨等构建了宁夏贺兰山东麓葡萄酒产业知识图谱本体模型,提出了知识图谱构建思路,然而尚未构建完整的酿酒葡萄栽培本体模型。大语言模型(LLM)为核心驱动的新一轮人工智能浪潮,为破解农业信息处理难题、赋能农业认知智能提供了解决方案。大语言模型通过在超大规模语料上进行预训练,掌握了前所未有的语义理解、逻辑推理、知识整合与内容生成能力。 它们不仅能够深度解析海量非结构化文本,还能通过与视觉、传感等其他模态信息融合,构建对农业生产场景更为全面、立体的认知。大语言模型基于强大的语义理解与上下文推理能力,在知识抽取任务中具备显著优势,为构建产业知识图谱提供了新思路。
北方民族大学商学院的刘杨、岳倩,北方民族大学创新创业学院的王金云*等一方面整合多模态酿酒葡萄栽培数据,在领域专家指导下构建酿酒葡萄栽培本体模型,以此规范酿酒葡萄栽培领域实体、关系、实体类型、实体属性等对象之间的联系;另一方面,提出基于大语言模型(LLM)的酿酒葡萄栽培知识图谱构建思路及方法,高效处理海量葡萄栽培数据。根据区域生态条件,定制与生态相适应的合理、科学的栽培管理体系,使葡萄充满风味特色,提高葡萄产量与质量,促进葡萄酒产业高质量发展。

1 酿酒葡萄栽培知识图谱构建基本流程
知识图谱以本体设计为基础,通过自顶而下与自底而上相结合的方法构建酿酒葡萄栽培知识图谱。采用自顶向下的方式定义层级语义关系、概念实体及其属性、约束规则等,构建精准、结构清晰的概念体系架构,即知识组织层(本体模型)。 采用自底而上的方式抽取酿酒葡萄栽培多模态数据中实体、关系及属性,进行知识融合、知识加工,并将知识存储在图数据库中,酿酒葡萄栽培知识图谱构建流程见图1。

由图1可知,知识图谱包含数据资源层、知识组织层、知识图谱层、知识应用层四部分。 数据资源层,明确构建酿酒葡萄栽培知识图谱数据源。包括酿酒葡萄栽培领域书籍、专家讲座课件、酿酒葡萄栽培农业网站、中国大学慕课视频等多模态数据;知识组织层(本体模型)作为核心架构层,该层的构建严格遵循七步法本体构建流程,依托Protege-5.6.4本体建模工具完成以下关键环节:领域术语标准化提取、概念体系层级化建模、数据属性与对象属性的逻辑化定义。 作为底层数据资源向领域知识转化的核心枢纽,该知识模式层的设计质量直接决定了知识体系的完备性及其图谱化表征的可靠性。 知识图谱层,即酿酒葡萄栽培知识图谱构建。 基于本体模型,采用知识抽取技术从数据源中抽取实体、关系和属性,通过知识整合、加工和消歧等步骤完成知识融合,得到高质量酿酒葡萄栽培知识,采用图数据库进行存储;知识应用层结合酿酒葡萄栽培现实困境,面向酿酒葡萄栽培主体构建多场景的酿酒葡萄栽培智能知识服务应用,提供产前酿酒葡萄园选址规划、酿酒葡萄品种和砧木选择、苗木繁殖,产中整形修剪、土肥水管理、花果管理、病虫害防治,产后葡萄采收、包装与运输等全流程的知识服务。
2 知识组织层——酿酒葡萄栽培本体建模
2.1 本体模型构建方法及工具
本文面向酿酒葡萄栽培领域进行本体模型构建,采用七步法开展研究,以此确定关键步骤与环节。Protege-5.6.4软件作为管理本体的有效工具,已在葡萄酒酿造、数字人文、中医药、气象灾害、应急预案等领域进行应用,证明该工具可行有效。 为清晰表示各个实体之间的关系,采用Protege-5.6.4软件构建酿酒葡萄栽培本体模型。
2.2 本体构建
2.2.1 明确本体领域边界及涵盖范围
酿酒葡萄栽培本体作为一个具有复杂结构体系与丰富语义内涵的知识框架,是从业者的长期实践与理论总结形成的语义丰富的知识系统。 其涵盖了从风土条件、栽培步骤到设备、辅料、材料等生产要素,并延伸至植株、葡萄的生长特征,以及病虫害等多个维度。
2.2.2 复用现有本体
复用现有本体能够提高本体模型构建效率与知识体系完整性,统一药学语言系统(UMLS)是生物医学领域丰富的概念本体库,包括“实体”、“事件”两个二级语义类型,“实体”代表静态事物、“事件”代表动态事物,描述了客观事物的一般规律,因此本文复用UMLS的“实体”、“事件”二级类语义类型。复用酿酒葡萄酿造本体模型的三级类,将实体分类为概念实体、物理实体、现象和过程四个三级语义类型。 同时复用聂啸林等定义的葡萄品种知识、病害知识、虫害知识、农药知识、栽培技术、地点六个类。本文将病害知识和虫害知识合并病虫害类,同时融入药害知识;将葡萄品种作为材料类;农药知识作为辅料类,同时融入生长调节剂知识、肥料知识、防护材料知识;风土条件决定葡萄品质,地点调整为风土条件类;不同栽培过程需要不同栽培技术,复用栽培技术类。此外,添加设备类、设施类、植株类、葡萄类,总共9个二级类,以此构建了一个层次分明、逻辑严密的知识体系。
2.2.3 列出酿酒葡萄栽培领域重要术语
|
|
|

2.2.4 定义类和类的等级体系
明确表1中概念术语的上下位关系。 实体和事件作为顶层类。 概念实体及属性、物理实体、现象、过程作为四个二级类。基于二级类,结合酿酒葡萄栽培领域概念术语,构建顶层框架见图2,酿酒葡萄栽培领域物理实体知识体系见图3;酿酒葡萄栽培领域现象知识体系见图4;酿酒葡萄栽培领域过程知识体系见图5;酿酒葡萄栽培领域概念实体及属性知识体系见图6。




2.2.5 知识图谱实体、属性和关系
仅有类不能体现知识体系的完整性,因此还需要定义属性和关系。 概念自身的属性称为内在属性,酿酒葡萄栽培本体的内在属性见表2,外在属性(也称为关系,通常用于连接两个实体)见表3。

|
|
|
栽培技术、病虫害、辅料、设施、设备、材料、植株、酿酒葡萄、风土条件等作为本体模型的实体,用圆形表示。决定、采用、改造、对象、需要、治疗防治、促进、危害、生成、影响、基础等作为本体模型的关系,用箭头表示,尾实体类指向头实体类,如“辅料”实体类指向“病虫害”实体类,由“治疗防治”箭头连接,表示“辅料”用于治疗防治“病虫害”。酿酒葡萄栽培知识图谱实体、关系及属性见图7。为便于对本体模型高效统一,在此基础上利用Protege-5.6.4软件构建各个概念间的层级结构和关系,构建酿酒葡萄栽培本体模型见图8。

2.2.6 定义属性限制
3 知识图谱层——酿酒葡萄栽培知识图谱
3.1 知识抽取
知识抽取是实现自动化构建大规模知识图谱的重要技术,旨在从不同来源、不同结构的数据中抽取知识存储在知识图谱中。 根据数据结构化程度分为结构化数据、半结构化数据和非结构化数据三类。本研究根据数据的结构特点采取了不同的知识抽取方法。 针对结构化数据,例如对于酿酒葡萄品种数据库,采用D2R(RDF)映射的方式将其转换为知识图谱中的数据。 对于半结构化数据,例如从网站获取的栽培区域分布表、酿酒葡萄栽培技术报告等半结构格式的数据,通过封装器(Wrapper)进行知识抽取,对其处理并转化为三元组知识,进而存储在知识图谱中。
深度求索公司推出的DeepSeek-R1模型,擅长处理复杂任务且可免费商用,直接面向用户提供语义理解、计算推理、代码生成补全等应用场景,LLM为酿酒葡萄栽培知识图谱构建提供了方法支撑。 非结构化数据作为酿酒葡萄栽培领域的主要数据,基于LLM进行知识抽取。与传统的深度学习模型融合技术相比,主要包括双向长短记忆(BILSTM)网络、卷积神经网络(CNN)融合条件随机场(CRF),如BERT+BILSTM+CRF、BILSTM+CRF、CNN-BILSTM,基于大语言模型的知识抽取无需大量的人工标注和模型训练,既提高知识抽取效率又降低成本。 本研究以LangChain+DeepSeek-R1为基础模型进行知识抽取。 首先,将预处理后的酿酒葡萄栽培资料和酿酒葡萄栽培领域词汇作为本地知识库,对长文本进行分词,通过Embedding词嵌入进行向量编码;然后,将收集的酿酒葡萄栽培资料作为输入,通过与向量知识库进行相似度计算,确定栽培信息在本地知识库中所属的具体类别及所在的位置;最后根据实际需求,设计Prompt对酿酒葡萄栽培实体、关系、属性抽取。 在Prompt设计方面,采用需求提示、领域知识提示、样例提示的分步提示策略进行知识抽取,提示任务相辅相成,提升酿酒葡萄栽培知识抽取质量,结果见图9。

3.2 知识融合
知识抽取阶段生成的知识表现出知识关联模糊、语义关联弱化以及逻辑矛盾等问题。为此,基于知识融合技术,进行对齐、加工和消歧等操作,最终生成具备结构规范性与逻辑一致性的酿酒葡萄栽培知识图谱。常见的知识融合包括具体知识融合和知识库融合两个层面。如世界上超过6 000多种酿酒葡萄品种,大部分酿酒葡萄品种都有对应的别称,如“佳利酿”、“加利娘”、“康百耐”、“法国红”四者描述的为同一品种,但是表述完全不一致,被判断为四个不同品种,基于表示学习的对齐算法进行实体对齐,使其指向为同一品种。酿酒葡萄作为葡萄酒酿造原料,根据“好酒是种出来”的原则,有必要将“葡萄栽培知识库”与“葡萄酒酿造知识库”进行融合,有效服务于葡萄酒酿造环节,丰富知识图谱内容。
3.3 知识加工
3.4 知识存储
4 酿酒葡萄栽培知识图谱应用
4.1 智能问答
作为智慧农业的一部分,智能问答为酿酒葡萄栽培领域知识传播和技术推广提供了便利,对促进酿酒葡萄栽培数字化转型有重要意义。相较于传统信息检索系统,智能问答技术在降低用户操作难度方面更具优势。用户仅需通过自然语言输入即可实时获取酿酒葡萄栽培领域的最优解决方案,显著提升交互满意度。酿酒葡萄栽培具有动态多变性、区域多样性和周期变化性的特点。通用的农业信息服务系统难以满足酿酒葡萄栽培经营管理的个性化和专业化需求,导致知识供需结构性失衡。酿酒葡萄栽培知识图谱面向区域特点集成创建葡萄精准水肥管理、环境检测、防灾减灾、水肥管理、病虫害多元知识,实现专业化知识问答、精准治理,提高酿酒葡萄质量,降低栽培成本,打造绿色生态的葡萄果园。
4.2 决策支持
酿酒葡萄栽培决策支持从葡萄园面临的实际问题出发,依托于丰富的知识体系和知识图谱推理模型,为葡萄园管理者提供科学、高效的决策支持。具体而言,知识图谱可以利用葡萄生长模型和预测模型,通过输入气候条件、土壤状况、葡萄品种、生长态势等数据,基于知识图谱丰富的语义网络,预测葡萄的最佳种植时间、生长周期、不同生长阶段可能面临的病虫害、产量潜力等。 知识图谱结合地理信息系统、 物联网传感器实施检测葡萄园环境变化,自动分析葡萄最佳的生长条件,生成针对性的栽培方案。 为进一步优化酿酒葡萄栽培管理策略,推理预测不同情境下葡萄的生长状况和产量变化,知识图谱不断自动更新知识体系,寻找葡萄产量最高、风险最低的生产方案,为葡萄园管理者提供决策依据。
5 总结与展望
本文梳理酿酒葡萄栽培知识体系,基于七步法构建内容丰富且完整的酿酒葡萄栽培本体模型;从知识抽取、知识融合、知识加工、知识存储角度分析了构建酿酒葡萄栽培知识图谱的具体技术;探究酿酒葡萄栽培知识图谱的应用,为进一步构建酿酒葡萄栽培知识图谱提供理论参考。酿酒葡萄栽培知识图谱的研究与应用,可以有效推动葡萄产业智能化转型,为葡萄绿色可持续发展提供了保障。
从葡萄产业整体角度看,一方面可以完善产业布局,调整产业结构,为智慧葡萄园建设提供依据。 另一方面带动葡萄酒产业发展。“以原料分析为基础,以浸渍管理为核心”是现代酿酒工艺的核心思想。知识图谱通过结构化、语义化的方式,将酿酒葡萄的各类特性与浸渍过程中的关键参数进行关联,形成可推理、可追溯、可优化的知识网络,进而提高葡萄酒品质。 构建丰富且完整的酿酒葡萄栽培本体模型,为科研工作者提供了葡萄栽培领域知识抽取依据。知识图谱为果农提供了诸多技术方案,对预防病虫害、有效进行土肥水管理等提供指导,有利于提高葡萄产量,增加收入。 伴随着我国葡萄园智能化进程的不断推进,酿酒葡萄栽培数据也会不断更新,将知识图谱与区域特点紧密结合,提升葡萄栽培数据分析的广度与深度,实现跨领域知识图谱进行知识推理,促进葡萄栽培智能化发展。
基于大语言模型构建特色农业产业垂直知识图谱是当前农业信息化领域的一个重要研究方向。 知识图谱在精准农业和农业知识服务等领域的已取得显著成果,但仍面临一些挑战,如领域适应性、知识更新等问题。未来研究可重点关注大语言模型与农业知识的深度融合、动态知识更新机制以及跨领域知识迁移等方面,以进一步推动特色农业知识图谱的发展和应用。
引文格式:
刘杨, 王金云, 岳倩, 等. 酿酒葡萄栽培知识图谱构建及应用研究[J]. 中国酿造, 2026, 45(1): 312-320. DOI:10.11882/j.issn.0254-5071.2026.01.043
推荐下载