《IEEE Access》：pdKGraph: A Novel Approach to Constructing Plant Disease Knowledge Graphs Using Large Language Models
编辑推荐：
为应对植物病害诊断中传统方法滞后、文献信息分散的挑战，研究人员开发了pdKGraph框架。该研究整合检索增强生成（RAG）与知识图谱（KG），实现了对植物病害文献的智能语义检索、自然语言查询及关键实体（如疾病、诊断方法、数据集、性能指标）自动化提取。原型系统Top-1准确率达到70.3%，平均查询延迟13-16秒，幻觉率3.84%，为建立动态、循证的植物病害知识发现系统奠定了可扩展的基础。
在保障全球粮食安全、应对农作物健康威胁的战场上，植物病害始终是一个顽固的敌人，它们持续造成巨大的经济损失，并直接挑战着人类食品供应的稳定性。然而，传统的植物病害诊断手段以及静态的文献综述方法，在飞速进化的病原体和新涌现的检测技术面前，显得愈发力不从心。信息的孤岛化、知识更新的滞后，使得研究人员、农技人员乃至决策者在试图获取全面、准确、及时的信息时步履维艰。面对这片信息迷雾，一项研究应运而生，旨在为植物病害知识的探索与结构化搭建一座智能的桥梁。这项名为“pdKGraph: A Novel Approach to Constructing Plant Disease Knowledge Graphs Using Large Language Models”的研究，于《IEEE Access》上发表，其核心目标是通过人工智能技术，重塑我们理解和利用植物病害文献的方式。
为了破解上述难题，研究人员构思并实现了一个创新的人工智能框架原型。这个框架的精妙之处在于，它将两种前沿技术——检索增强生成（Retrieval-Augmented Generation, RAG）与知识图谱（Knowledge Graph, KG）——深度融合。研究者们利用大语言模型（Large Language Models, LLMs）的能力，构建了一个能够对海量植物病害科学文献进行智能处理和分析的系统。该系统不依赖于预先设定的、僵化的数据库结构，而是能够动态地从非结构化的文本中，自动提取出关键的实体信息，并将它们编织成一张结构化的知识网络。在具体实现上，研究人员通过语义检索技术，使系统能够理解用户查询的自然语言意图，而非简单的关键词匹配。随后，借助RAG机制，系统基于检索到的相关证据片段生成准确、连贯的回答，从而将文献中的知识以易于理解和交互的方式呈现出来。同时，系统的另一项核心功能是自动化地构建知识图谱，它能从文献中识别并抽取诸如“病害名称”、“诊断方法”、“使用的数据集”以及“性能评估指标”等关键实体及其相互关系，为后续的深度分析和推理奠定数据基础。
本研究所采用的关键技术方法主要包括：检索增强生成（RAG）与大语言模型（LLM）的集成，用于实现基于证据的自然语言问答和内容生成；知识图谱（KG）构建技术，用于从非结构化文献中自动化提取和结构化表示病害、诊断方法、数据集、性能指标等实体及其关系；以及支持语义理解与检索的文献处理流程。整个框架的设计旨在实现证据可溯源的信息访问与动态知识组织。
研究结果
- •
框架可行性验证
通过构建并评估pdKGraph原型系统，研究验证了将RAG与KG相结合用于植物病害文献智能探索的可行性。系统能够执行语义检索，并以自然语言形式响应用户的查询。
- •
系统性能评估
对原型系统的定量评估显示，其在回答查询时的Top-1准确率达到70.3%。系统响应查询的平均延迟时间在13至16秒之间。此外，系统输出内容的幻觉（Hallucination）率被控制在3.84%的较低水平。这些性能指标证明了该框架在提供快速、准确且可靠信息方面的潜力。
- •
知识结构化输出
系统成功实现了对植物病害文献中关键实体的自动化提取。这些实体包括具体的植物疾病、各种诊断方法（如分子检测、成像技术等）、研究中使用的数据集以及报告的性能指标（如准确率、灵敏度等）。这些实体及其间的关系被系统地组织成结构化的知识图谱，为知识的可视化、关系推理和深度挖掘提供了可能。
本研究得出结论，所提出的pdKGraph框架成功地将检索增强生成（RAG）与知识图谱（KG）技术整合，为植物病害文献的智能化、结构化和动态化探索提供了一个可行的原型解决方案。该系统不仅能够以较高的准确率和可接受的响应时间回答自然语言查询，还能自动化地构建包含疾病、方法、数据和指标等核心要素的结构化知识网络。其低幻觉率的设计，进一步保障了信息输出的可靠性。这项工作具有重要的奠基性意义：其一，它展示了人工智能，特别是大语言模型与知识工程结合，在应对农业信息学挑战方面的实用价值，为解决传统方法滞后、知识分散的问题提供了新思路。其二，该框架所建立的可扩展基础，为未来更高级的研究方向铺平了道路，例如对植物病害诊断技术发展进行时序趋势分析，或者自动识别当前研究领域的知识缺口。因此，pdKGraph不仅是一个技术原型，更是朝向构建动态、循证、且支持深度推理的植物健康知识系统迈出的关键一步，对提升农业研究的效率和精准性，最终服务于全球粮食安全具有积极推动作用。
