基于证据的多视角抽取框架用于细粒度农业知识组织（EMEF）

《Smart Agricultural Technology》：EMEF: An Evidence-Grounded Multi-View Extraction Framework for Fine-Grained Agricultural Knowledge Organization

　　

农业科学文献蕴含丰富的多类别知识，可支撑农业生产管理。然而，传统知识图谱建立在静态实体-关系三元组之上，忽略了事件、时序序列和因果关系等深层知识。本研究提出了一种基于证据的多视角抽取框架（EMEF），用于细粒度农业知识组织。EMEF能够零样本同步抽取静态、事件、时序和因果知识。该框架进一步整合了段落级证据锚定、修复-候选策略和非破坏性全局软对齐，以提高知识属性判别能力、证据可信度和上下文保持能力。与仅抽取静态三元组相比，EMEF的知识单元数量增加了47.39%。在由100个随机抽样段落组成的评估数据集上，与严格丢弃策略相比，修复-候选策略保留了76个有效知识单元和48个候选知识单元，实体压缩率约为35.26%。与EMEF结合使用时，GPT-5.4抽取的四类知识的宏平均F1分数提升了67.54%。通过为四类知识建立独立的抽取和验证边界，EMEF在抽取准确率上比AutoSchemaKG、OneKE和KG-Gen高出约51.9%。最后，EMEF被部署在140,430篇小麦相关文献上，构建了一个包含23,957,944个节点和22,422,598条关系的大规模小麦知识图谱。其定义明确、高粒度、高聚合密度的特征表明，碎片化的农业知识已得到有机组织。作为一种零样本框架，EMEF适用于多种作物品种和知识实践场景，为大语言模型的垂直部署铺平了道路。

论文解读

一、研究背景与问题

农业科学文献中蕴含着丰富的多类别知识，这些知识对于农业生产管理具有重要支撑作用。作物基因型、环境条件和管理措施之间的相互作用（G×E×M）共同影响作物的生理响应、生长、产量或品质，这些源自科学发现的知识可以被组织为连接基因型、环境和管理维度的静态、事件、时序和因果知识的农艺机制知识网络。每条知识链接的有效性取决于地点、时间、品种、生育阶段、处理条件和证据来源等上下文信息。

然而，现有知识图谱构建方法在表征复杂农艺机制知识方面仍面临三个突出局限。第一，事件表征不足。实际农业管理实践往往涉及多个论元字段，如事件触发词、目标、用量、地点、方法和实施时期，静态事实三元组会丢失这些参数。第二，时序表征不足。作物发育遵循明确的物候节律，农业管理实践也涉及先后依赖关系，缺乏时序建模削弱了物候阶段、管理顺序和实验过程的表征能力。第三，因果表征不足。农业因果结论强烈依赖于实验边界，如果将与条件相关的结论抽象为无条件事实，知识误用可能引发幻觉。

近年来，大语言模型（LLMs）已成为知识抽取的主导工具，能够在零样本条件下通过提示理解长文本语义并输出结构化知识。然而，在证据敏感的农业文献中进行开放式生成可能引入幻觉，包括无依据的补全、引用前人工作与当前实验的混淆、因果方向或效应极性错误等。段落级证据锚定因此成为必要，以便检索到的知识能够对照其来源上下文进行核查，并用于可审计的知识服务。

二、研究内容与意义

针对上述挑战，本研究提出了EMEF，一种基于证据的多视角抽取框架，用于从大规模农业科学文献中自动抽取保留上下文的、多类型的农艺机制知识。其核心思想是将大语言模型的生成约束在源文本的证据边界内，通过农艺视角隔离、段落级证据锚定、修复-候选策略和非破坏性全局软对齐来提高抽取可靠性。静态、事件、时序和因果知识通过具有不同语义边界的独立视角进行抽取。

每个抽取的知识单元，无论是节点、关系、事件、时序边还是因果边，都与其支撑证据片段和段落坐标相关联。与直接拒绝未通过模式、证据或视角边界验证输出的严格丢弃策略不同，EMEF执行有限的模式引导修复，并将有证据支撑但未解决的结果保留在候选池中。跨文档实体通过全局虚拟锚点进行链接，而不删除其局部属性、关系或证据上下文。该研究旨在提高农业知识组织的维度、粒度、准确性和证据一致性。

该论文发表于《Smart Agricultural Technology》。

三、关键技术方法

研究人员构建了约140,000篇自1990年以来公开发布的小麦文献语料库，包括120,000篇中文期刊论文、20,000篇英文期刊论文、400余项国家/行业/地方小麦栽培标准及30余部官方技术指导手册。使用MinerU等文档解析工具进行版面分析，将材料转换为层级化Markdown文档树，同时保留表格、图形和标题的物理对象标识符。每个最低层级标题下的正文段落作为一个段落级证据单元，分配文档标识符（doc_id）、章节标识符（section_id）和段落标识符（paragraph_id）组成的物理坐标。研究采用农艺视角隔离方法将农业知识组织为四个子图：静态事实子图（G_sta）、动态事件子图（G_evt）、时序流子图（G_tmp）和因果机制子图（G_cau）。通过修复-候选策略在严格模式验证失败时进行有限修复并保留有证据支撑的候选知识单元，通过非破坏性全局软对齐实现跨文档实体链接。

四、研究结果

4.1 知识抽取数量与增量贡献

研究人员随机选取100篇文献在零样本设置下处理，以表征EMEF抽取的四类知识的数量分布和增量贡献。与仅抽取静态三元组相比，EMEF的知识单元数量增加了47.39%。

4.2 修复-候选策略效果评估

在由100个随机抽样段落组成的评估数据集上，专家标注共产生1,376个静态三元组、259个事件知识单元、108个时序知识单元和149个因果知识单元，总计1,892个知识单元。与严格丢弃策略相比，修复-候选策略保留了76个有效知识单元和48个候选知识单元，实体压缩率约为35.26%。

4.3 大语言模型抽取性能提升

当与EMEF结合使用时，GPT-5.4抽取的四类知识的宏平均F₁分数提升了67.54%。评估还比较了EMEF在五种大语言模型配置下的表现，验证了框架的模型无关性和通用性。

4.4 与基线方法对比

通过为四类知识建立独立的抽取和验证边界，EMEF在抽取准确率上比AutoSchemaKG、OneKE和KG-Gen高出约51.9%，证明了视角隔离和独立验证机制的有效性。

4.5 大规模知识图谱构建

EMEF被部署在140,430篇小麦相关文献上，构建了一个包含23,957,944个节点和22,422,598条关系的大规模小麦知识图谱。其定义明确、高粒度、高聚合密度的特征表明，碎片化的农业知识已得到有机组织。

五、讨论与结论

讨论部分指出，传统知识图谱的静态三元组表示无法完整保留农业生产过程链，如“何时施用、在什么条件下、产生什么生理响应、最终如何影响产量”。EMEF通过段落级证据锚定确保每个知识单元可追溯到其来源上下文，通过修复-候选策略在严格验证与信息保留之间取得平衡，通过非破坏性全局软对齐在跨文档实体链接时保留局部属性和证据上下文。

研究结论表明，EMEF作为一种零样本框架，能够同步抽取静态、事件、时序和因果四类知识，显著提高了农业知识组织的维度、粒度、准确性和证据一致性。该框架适用于多种作物品种和知识实践场景，为大语言模型在农业领域的垂直部署铺平了道路。