冯 帅 许童羽,2 周云成,2 赵冬雪 金 宁 王郝日钦

(1.沈阳农业大学信息与电气工程学院，沈阳 110161; 2.沈阳农业大学辽宁省农业信息化工程技术中心，沈阳 110161)

0 引言

在农业智能问答系统中，由于大量的知识文本数据具有稀疏性强、噪声大及类别繁杂等特点，导致所构建的问答系统的准确率较低。因此，利用计算机技术提取准确的文本特征、实现知识文本的自动分类是构建农业智能问答系统的关键技术环节。从农业文本数据中提取出水稻的草害药害、病虫害以及栽培管理等数据是典型的文本分类问题。目前K最近邻(K-nearest neighbor，KNN)[1]、朴素贝叶斯(Naive Bayesian，NB)[2]以及支持向量机(Support vector machine，SVM)[3]等机器学习方法是进行文本分类的常用方法。文献[4]采用朴素贝叶斯算法实现了对农业文本的自动分类，识别率较高，但该方法缺乏较好的特征提取能力。文献[5]采用粒子群算法优化KNN算法的特征权重，构建PSOKNN文本分类模型。文献[6-7]根据农业文本数据特征构建农业行业词库，并通过特征词筛选和权重计算构建一种基于线性支持向量机的中文农业文本分类模型，该方法并未考虑数据集线性不可分的情况，存在一定的局限性。农业文本具有数据冗余性、稀疏性和规范性差等特征，采用传统的机器学习方法对大数据量的农业文本进行分类难度较大，且适应性较差，特征工程复杂。

随着计算机技术的迅猛发展，深度卷积神经网络(Deep convolutional neural networks，DCNN)[8]、循环神经网络(Recurrent neural network，RNN)[9]和胶囊网络(CapsNet)[10]等深度学习技术逐渐成为主流分类方法[11-16]。该技术能够自动实现图像和文本关键特征的提取，无需复杂的特征工程，与分类过程结合，所构建的模型具有较强的适应性和迁移性[17-18]。……