人工智能技術在農業類高校圖書館信息化建設中的應用研究

［摘 要］人工智能技術在農業類高校圖書館信息化建設中的應用面臨數據標準化缺失、集成難度大，智能推薦系統領域知識適配性不足，特色資源數字化處理技術局限等問題。文章分析這些問題的具體表現與成因，提出實施數據標準化與集成平臺構建、優化領域知識模型以提高推薦系統精準度、推進農業特色資源深度數字化技術創新等建議，以期為相關領域的研究與實踐提供參考。

［關鍵詞］農業類高校；圖書館；人工智能技術；信息化建設

doi：10.3969/j.issn.1673 - 0194.2024.20.049

［中圖分類號］G258.6；G250.7 ［文獻標識碼］A ［文章編號］1673-0194（2024）20-0-03

0" " "引 言

近年來，人工智能技術的蓬勃發展，給圖書館信息化建設帶來新的契機。農業類高校作為專業性較強的院校，其圖書館在信息化建設過程中有著獨特需求。探索將人工智能技術應用于農業類高校圖書館信息化建設，對提升圖書館服務效能、助力高校人才培養和科研創新具有重要意義［1］。

1" " "人工智能技術概述

人工智能是計算機科學與智能科學的交叉領域，涵蓋機器學習、深度學習、自然語言處理、計算機視覺、表示學習等多個分支。其核心是通過算法模型使機器具備感知、學習、推理、決策等智能行為。當前，深度學習技術已成為人工智能領域的研究熱點。例如，卷積神經網絡（Convolutional Neural Networks，CNN）通過局部連接和權值共享，能夠高效處理圖像、視頻等數據；長短期記憶網絡（Long Short-Term Memory，LSTM）通過門控機制，能夠建模序列數據，廣泛應用于語音識別、機器翻譯等。此外，強化學習、遷移學習、元學習等新興范式不斷涌現，進一步拓展了人工智能的應用邊界［2］。我國高度重視人工智能的發展，先后出臺了《“十三五”國家科技創新規劃》《新一代人工智能發展規劃》等政策文件，部署構筑開放協同的人工智能科技創新體系。在此背景下，將人工智能技術引入圖書館信息化建設，能夠增強圖書館智能化服務能力，優化資源配置與用戶體驗。例如，運用自然語言處理技術構建書目信息智能檢索系統，基于深度學習算法開發個性化資源推薦引擎，利用知識圖譜技術組織多源異構數據。這對于農業類高校圖書館而言尤為重要，能夠滿足師生在專業領域內的精準信息需求，為農業教學科研提供有力支撐。

2" " "農業類高校圖書館信息化建設的特點

農業類高校圖書館肩負著服務農業教學科研、傳承農業文化的重要使命，其信息化建設呈現出鮮明特點。一是館藏資源領域專業性強，涵蓋作物學、園藝學、植物保護、農業工程等多個學科，對信息資源的組織、揭示、利用提出了更高的要求［3］。二是服務對象的信息需求呈多樣化趨勢，既有基礎性的教學參考資源需求，也有前沿性的科研文獻需求，還有應用性的農技推廣需求。三是數字資源建設專業特色突出，注重農業專題數據庫、特色農業文獻的數字化采集與加工。例如，農業類高校圖書館采用光學字符識別（Optical Character Recognition，OCR）技術對古農書進行文字識別，運用本體構建方法組織農業知識，利用3D建模技術保存農具模型。四是移動信息服務覆蓋農村，助力高校服務“三農”。在此背景下，農業類高校圖書館亟須運用人工智能技術突破傳統模式。例如，基于用戶畫像與協同過濾算法優化資源推送，構建農業知識圖譜促進檢索發現，應用自動摘要與機器翻譯簡化文獻獲取，搭建智能問答平臺幫助用戶辨偽存真［4］。《教育信息化2.0行動計劃》提出積極應用智能技術推動教育變革，為高校圖書館人工智能應用指明方向。農業類高校圖書館要順應數字化、網絡化、智能化發展趨勢，充分釋放人工智能賦能效應，加快實現信息資源、服務模式、管理方式的智慧化變革。

3" " "人工智能技術在農業類高校圖書館信息化建設中應用的現存問題

3.1" "數據標準化缺失與集成難度大

當前，人工智能技術在農業類高校圖書館信息化建設中的應用尚處于探索階段，數據標準化缺失與集成難度大是亟待解決的現實問題。農業領域數據來源廣泛，涉及作物種植、動物養殖、農產品加工等各個環節，且數據格式多樣，包括文本、數值、圖像、視頻等異構數據，加之缺乏統一的描述規范和管理標準，導致數據質量參差不齊，語義表達模糊。以農作物病蟲害數據為例，不同來源的數據在病蟲害名稱、危害程度、防治方法等關鍵要素的表示上存在差異，急需建立統一的數據描述規范［5］。此外，農業數據分散在不同的業務系統和存儲介質中，缺乏關聯機制，“數據孤島”問題突出。圖書館、科研機構、政府部門雖然都積累了大量農業數據，但元數據標準不一致，對數據的語義理解存在偏差，導致跨系統、跨部門的數據整合共享難度大。

3.2" "智能推薦系統領域知識適配性不足

智能推薦系統在農業類高校圖書館的應用中，暴露出領域知識適配性不足的問題。以農作物育種領域為例，育種過程涉及品種選育、分子標記輔助選擇、雜交優勢利用等多個環節，不同研究方向的學者對文獻資源的側重點存在明顯差異。例如，遺傳學家可能更關注數量性狀座位（Quantitative Trait Locus，QTL）定位、候選基因挖掘等方面的研究進展，而育種學家則偏重優良農藝性狀的鑒定篩選和品種選育技術的研究文獻。當前的推薦系統大多采用基于用戶和物品的協同過濾算法，通過挖掘用戶或物品之間的相似性實現推薦，但這類算法只能以隱式反饋數據（如借閱、點擊、收藏等）作為用戶興趣的代理，無法精準建模用戶在農學領域的專業背景和知識訴求，導致推薦的相關性和多樣性不足。推薦系統缺乏農學本體知識的融入，難以充分挖掘用戶興趣和農學文獻資源的語義關聯。以作物育種文獻為例，不同環節的研究成果在方法、原理上往往存在依賴關系，如QTL定位是開展標記輔助選擇的前提，育種材料的創制又離不開雜種優勢的利用。然而，受農學本體構建滯后的影響，這些語義關系在文獻資源組織中未能充分揭示，推薦系統難以利用領域知識實現精準鏈接，導致推薦解釋性不足。

3.3" "農業特色資源數字化處理技術存在局限性

隨著數字技術的發展，農業類高校圖書館積累了大量農業特色資源，但在數字化處理過程中存在技術瓶頸。以古農書的數字化為例，古農書一般存在紙張泛黃、字跡模糊、版式復雜等問題，直接利用OCR技術進行文字識別，往往難以達到理想的識別精度。雖然深度學習模型的出現在一定程度上提升了識別效果，但針對古農書字形字體的專用樣本較少，模型的泛化性能有限。加之缺乏農學領域的語言模型與詞典，難以有效提高農業命名實體識別的準確率。又以三維農具模型的構建為例，農具造型獨特，紋飾精美，傳統的多視角圖像拼接技術難以生成細節清晰、結構完整的三維模型，而激光掃描等主動式采集設備成本高，點云數據后期拼接與語義標注工作量大，導致農具三維模型數字化難度高，示范性應用少。知識密集型農業特色資源對數字化處理技術的領域適配性要求高，但通用的人工智能模型在農業領域的專用訓練數據少，遷移學習與增量學習的研究有待深入，難以充分挖掘農業資源特征，提煉領域知識，數字化效果受限。

4" " "提高人工智能技術在農業類高校圖書館信息化建設中應用效能的對策

4.1" "實施數據標準化與集成平臺構建

面對農業數據標準化不足、異構數據集成困難的問題，農業類高校圖書館亟須從戰略高度統籌規劃，系統推進農業數據標準化進程，夯實人工智能應用基礎。首要任務是構建覆蓋農業產業鏈各環節的數據標準規范。以作物種質資源數據為例，需要從種質分類、種質特性、種質保護、種質評價等方面，制定統一的元數據描述標準，明確品種名稱、學名、種質類型、特征性狀、種質來源、評價方法等關鍵要素的表示形式和填寫規則。農業科教機構、行業協會、企業應積極參與標準制定，農業類高校圖書館可發揮學科館員優勢，協調不同利益方的訴求，推動標準在全行業的應用和普及。

在夯實數據基礎的同時，還需要構建農業科教融合的一體化數據集成平臺，全面梳理分散在科研院所、涉農企業、圖書情報機構的數據資源，形成農業數據資源的統一目錄，依托分布式架構和鏈接開放數據原則，實現元數據、主題數據、引文數據的關聯融合，打破“數據孤島”，實現跨部門、跨區域的農業數據互聯互通。在數據集成的過程中，要注重對數據溯源、質量、安全、權屬等方面的規范管理，借助區塊鏈、隱私計算等技術，實現數據全生命周期追溯、數據質量多維評估、數據使用過程可信授權與監管、數據價值利益分配機制創新，從而充分調動多方參與數據匯聚、流通、應用的積極性，激發農業要素數字化的創新活力，以高質量的數據供給推動人工智能在農業領域的深度應用。

4.2" "優化領域知識模型以提高推薦系統的精準度

智能推薦系統要贏得農業類高校圖書館用戶的信任，必須充分體現農學學科特點，深度挖掘農業領域知識，優化推薦算法的知識表示與應用機制。構建面向農業文獻資源的領域本體與知識圖譜，是增強推薦系統專業性的重要路徑。以設施園藝領域為例，可從作物類型、栽培設施、環境調控、病蟲防治等方面梳理領域核心概念，明晰概念間的語義關系，形成規范化的本體框架。在此基礎上，利用自然語言處理技術，從海量文獻中自動抽取作物品種特性、栽培設施結構參數、環境調控手段效果、病蟲害防治最佳方案等顯式知識要素，并通過知識推理獲取概念間的隱式關聯，最終形成覆蓋設施園藝領域的多維度、多粒度知識圖譜。推薦系統可引入知識圖譜嵌入表示學習，捕捉用戶興趣偏好與候選資源的語義相關性，克服傳統協同過濾算法依賴交互行為、忽視領域語義的局限。同時，知識圖譜可作為可解釋的推理依據，系統生成推薦解釋，提高推薦透明度。針對農業跨學科用戶的特點，推薦系統還應加強不同學科本體間的映射融合，實現跨領域知識的關聯發現與推薦。例如，將施肥策略本體與環境科學本體進行連接，挖掘減肥增效技術和面源污染的潛在聯系，當環境領域用戶檢索農田面源污染防治內容時，系統可主動推薦測土配方施肥、水肥一體化等清潔生產技術的文獻。推薦系統的知識適配性增強，將更精準地把握用戶意圖，提升農業科研人員的資源發現效率。

4.3" "推進農業特色資源深度數字化技術創新

農業特色資源的深度數字化離不開人工智能技術的創新應用，面對古農書OCR識別難題，農業類高校圖書館應聯合人工智能企業，在古農書數字化場景下開展文字識別技術攻關。一方面，充分利用館藏古農書底本，通過數據增強方法構建訓練樣本，優化神經網絡結構，提高復雜版式字形的識別精度；另一方面，引入農學詞典與語言模型，利用上下文語義信息對識別結果進行糾錯，提升農業命名實體識別效果。在此基礎上，應進一步結合內容理解與知識抽取技術，對古農書進行全文語義表示、核心術語抽取、因果關系挖掘，實現知識單元級別的深度標引。針對農業實物模型三維重建難度大的問題，可借鑒計算機視覺與圖形學的最新研究成果，探索多視角圖像與CAD模型融合建模方法，通過結構化的三維形狀表示，動態優化每個視角的三維配準參數，減少數據采集量的同時保證精細化程度。另外，輔以深度學習特征提取與增量語義分割方法，實現大規模農具三維模型的自動語義標注，提升后續檢索、展示、應用的智能化水平。

面對農業音像資源語義提取難題，農業類高校圖書館可在多模態深度學習信息融合框架下，建立農業知識驅動的跨模態語義理解模型，利用農學本體加強視聽覺特征學習，實現農業概念、農事活動等多粒度實體的關聯理解與語義標注。同時，應通過小樣本學習、主動學習、在線學習等機器學習新范式，解決農業領域訓練樣本不足的問題，提高模型對新實體、新事件的學習效率，賦能農業特色資源數字化過程智能化，為用戶提供更具專業特色的深度揭示、語義檢索、知識發現等智能化服務。

5" " "結束語

人工智能為農業類高校圖書館信息化建設注入新動能，但受制于行業數據基礎薄弱、學科知識建模滯后、特色資源數字化瓶頸等因素，技術應用效能發揮不充分。未來，農業類高校圖書館應著眼前沿技術發展，加強與人工智能產業界的深度合作，在農業數據治理、學科知識工程化、特色資源數字化等方面先行先試，探索符合農業場景特點的人工智能應用模式。

主要參考文獻

［1］高家琦，馬秀峰.基于文獻計量的國內圖書館人工智能應用研究探析［J］.圖書情報導刊，2023（10）：1-11.

［2］李金，張玲.基于人工智能技術的微信平臺信息采集模型研究［J］.自動化與儀器儀表，2024（2）：11-14，19.

［3］陳德銳.人工智能驅動下的智慧圖書館創新策略［J］.華章，2024（4）：156-158.

［4］姜亞男.基于人工智能的圖書館信息檢索與推薦系統分析［J］.電子技術，2023（12）：402-403.

［5］燕卓君.人工智能機器人技術在圖書館的應用［J］.信息與電腦（理論版），2023（23）：162-164.