农业测控系统的用户交互性存在改进空间,随着自然语言语义处理技术的不断进步,提升农业测控领域中复杂的控制和查询操作的用户友好性变得至关重要,这有助于降低用户的操作成本。本文提出了一种面向农业测控领域的自然语言接口(agricultural measurement and control natural language interface,AMC-NLI),旨在改进农业测控平台的用户体验。通过BERT-BiLSTM-ATT-CRF-OPO(bidirectional encoder representations from transformers-bi-directional long shortterm memory-attention-conditional random field)的语义解析模型,识别并提取农业指令中的实体,并进行操作-地点-对象三元组语句(operate-place-object,OPO)的槽填充。使得用户的自然语言输入能够被转化为结构化的三元组语句,实现用户输入的指令转换为相应的参数,并通过物联网网关发送到相应的设备。试验结果表明在AMC-NLI农业测控指令交互方面,该模型表现出色,准确率,精确率、召回率,F值和平均最大响应时间分别达到了91.63%、92.77%、92.48%、91.74%和2.45 s,为农业信息化管控提供了更为便捷的互动方式。
数据库自然语言接口(natural language interface to database,NLIDB)能够凭借自然语言描述实现数据库查询操作,是促进用户无障碍地与数据库交互的重要工具.因为NLIDB具有较高的应用价值,近年来一直受到学术与商业领域的关注.目前成熟的NLIDB系统大部分基于经典自然语言处理方法,即通过指定的规则实现自然语言查询到结构化查询的转化.但是基于规则的方法仍然存在拓展性不强的缺陷.深度学习方法具有分布式表示和深层次抽象表示等优势,能深入挖掘自然语言中潜在的语义特征.因此近年来在NLIDB中,引入深度学习技术成为了热门的研究方向.针对基于深度学习的NLIDB研究进展进行总结:首先以解码方法为依据,将现有成果归纳为4种类型分别进行分析;然后汇总了7种模型中常用的辅助方法;最后根据目前尚待解决的问题,提出未来仍需关注的研究方向.
