一种饲草料营养知识图谱构建与消化分析方法及系统

本发明涉及畜牧营养工程，尤其涉及一种饲草料营养知识图谱构建与消化分析方法及系统。

背景技术：

1、随着畜牧业的快速发展，饲草料的营养价值和消化代谢问题越来越受到关注。饲草料的营养成分直接影响着家畜的生长发育、健康状况和产品质量。同时，不同种类的家畜对饲草料的营养需求也存在差异。因此，全面、准确地掌握饲草料的营养知识，并根据家畜的实际需求进行合理配比和饲喂管理，对于提高畜牧养殖效益具有重要意义。传统的饲草料消化分析方法往往只关注单一营养指标，忽视了营养成分之间的复杂关系和相互作用，并且主要依赖于实验室分析和动物试验，这些方法往往耗时长、成本高，且难以全面反映饲草料的营养特性和消化规律。

技术实现思路

1、基于此，本发明提供一种饲草料营养知识图谱构建与消化分析方法及系统，以解决至少一个上述技术问题。

2、为实现上述目的，一种饲草料营养知识图谱构建与消化分析方法，包括以下步骤：

3、步骤s1：获取饲草料文献资源数据；基于饲草料文献资源数据构建饲草料营养知识图谱；

4、步骤s2：根据饲草料营养知识图谱进行营养成分节点筛选，得到饲草料营养成分节点数据；对饲草料营养成分节点数据进行共现频率统计处理，生成营养成分共现矩阵；根据营养成分共现矩阵进行关键营养成分识别，生成饲草料关键营养成分数据；

5、步骤s3：根据饲草料关键营养成分数据进行抗营养因子提取，生成抗营养因子数据；通过抗营养因子数据对饲草料关键营养成分数据进行作用关系模式分析，生成互作关系模式数据；根据互作关系模式数据进行抗营养作用关系路径识别，生成抗营养互作路径数据；

6、步骤s4：根据抗营养互作路径数据进行消化影响因子提取，生成消化影响因子数据；根据消化影响因子数据进行营养消化预测模型构建，生成营养消化预测模型；

7、步骤s5：利用营养消化预测模型对获取的目标饲草料样本进行营养成分消化率预测，生成营养成分预测消化率；根据营养成分预测消化率进行营养价值综合评分，生成饲草料营养价值数据；

8、步骤s6：根据饲草料营养价值数据进行饲喂配方优化，生成优化饲喂方案数据；根据优化饲喂方案数据进行饲喂效果评估，得到饲喂效果评估数据。

9、本发明将分散的饲草料营养信息整合成结构化的知识网络，有助于快速检索和关联分析。知识图谱的构建使得饲草料营养成分之间的复杂关系变得清晰可视，通过知识图谱可以直观地展示饲草料、营养成分、抗营养因子等实体之间的复杂关系。通过对饲草料营养知识图谱进行节点筛选和共现频率分析，有效降低了数据复杂度，突出了最重要的营养要素。共现矩阵的生成揭示了不同营养成分之间的相关性，可以挖掘不同营养成分之间的潜在关联关系，为饲草料营养价值评估提供更全面的视角。将抗营养因子的影响纳入考虑范围，可以更全面、客观地评估饲草料的营养价值，深入探讨了饲草料中有益营养成分的复杂关系。通过识别抗营养作用路径，这些信息对于预防和减少饲草料中抗营养因子的负面影响具有重要指导意义。通过构建营养消化预测模型，可以更精准地预测不同饲草料在不同动物体内的消化率，克服传统方法依赖经验数据、预测精度低的缺点。通过预测，可以在实际饲喂前就获得饲草料各营养成分的预期消化率，这对于优化饲料配方和提高饲养效率至关重要。预测结果可以帮助饲养者避免使用消化率低的饲料，从而减少饲料浪费，提高动物的营养吸收效率。通过营养成分消化率预测和营养价值综合评分，可以更客观、全面地评估目标饲草料的营养价值，可以根据不同动物的营养需求，对同一饲草料进行个性化的营养价值评估，为不同动物制定精准的饲喂方案。优化后的配方能够最大限度地利用各种饲草料的营养价值，同时考虑到成本效益，为动物提供最佳的营养支持。这种优化不仅提高了饲料利用效率，可以满足动物的营养需求，促进动物健康生长，提高动物的生产性能和产品质量。因此，本发明的一种饲草料营养知识图谱构建与消化分析方法通过饲草料文献资源获取，构建一个完整的饲草料营养知识图谱。通过关键营养成分识别和抗营养因子分析，考虑了营养成分之间的复杂关系和相互作用，快速评估不同饲草料的营养价值；通过构建营养消化预测模型，准确地预测饲草料在动物体内的消化规律，针对不同生长阶段和生理状态的动物需求进行定制，实现了饲喂方案的精准化和个性化定制。

10、优选地，步骤s1包括以下步骤：

11、步骤s11：获取饲草料文献资源数据；

12、步骤s12：对饲草料文献资源数据进行数据语义清洗，并进行文本数据去重处理，生成原始饲草料语料数据；

13、步骤s13：根据原始饲草料语料数据进行语义标注，并进行命名实体识别，生成饲草料实体语料数据，其中，饲草料实体数据包括饲草料名称、营养成分、抗营养因子以及饲喂动物品种；

14、步骤s14：对饲草料实体语料数据进行本体匹配计算，并进行知识实体合并处理，生成饲草料实体数据；

15、步骤s15：通过饲草料实体数据对原始饲草料语料数据进行实体关联关系抽取，生成实体关联关系数据；

16、步骤s16：根据实体关联关系数据以及饲草料实体数据进行知识图谱构建，生成初始饲草料营养知识图谱；

17、步骤s17：通过初始饲草料营养知识图谱对饲草料文献资源数据进行饲草料知识链接扩展处理，得到饲草料营养知识图谱。

18、本发明通过收集大量相关文献，可以涵盖饲草料领域的最新研究成果和实践经验。通过数据语义清洗，去除噪声数据，显著提高了数据质量，去除了无关信息和重复内容，确保了数据的一致性和可理解性。将非结构化文本转化为结构化信息，明确识别出饲草料名称、营养成分、抗营养因子和饲喂动物品种等关键实体，提高了后续分析的精确度和效率。通过本体匹配和实体合并，可以消除由于命名不规范、同义词等问题导致的实体歧义，确保知识图谱中实体的唯一性和准确性。实体合并处理则减少了冗余，提高了数据的一致性和可用性。通过关联关系抽取，可以揭示饲草料不同成分之间的关系、饲草料与动物之间的关系等。将饲草料营养知识以图谱的形式展现出来，使人们能够更加直观地理解饲草料、营养成分、抗营养因子、动物之间的复杂关系。通过知识链接扩展，可以不断地从新的文献数据中抽取新的实体和关系，添加到知识图谱中，使知识图谱的内容更加丰富和完善。

19、优选地，步骤s2包括以下步骤：

20、步骤s21：根据饲草料营养知识图谱进行营养成分节点筛选，得到饲草料营养成分节点数据；

21、步骤s22：根据饲草料营养成分节点数据进行共现频率统计处理，生成营养共现频率数据；

22、步骤s23：通过营养共现频率数据对饲草料营养成分节点数据进行营养成分共现矩阵构建，生成营养成分共现矩阵；

23、步骤s24：对营养成分共现矩阵进行奇异值分解处理，并进行潜在关联关系挖掘，生成营养成分潜在关联数据；

24、步骤s25：基于预设的支持向量机通过营养共现频率数据对营养成分潜在关联数据进行关联强度计算，得到潜在关联强度数据；

25、步骤s26：根据潜在关联强度数据进行关联关系类型推断，生成营养成分关联类型数据；

26、步骤s27：通过营养成分关联类型数据对饲草料营养成分节点数据进行重要性节点评估，并进行关键营养成分识别，生成饲草料关键营养成分数据。

27、本发明对饲草料营养知识图谱进行营养成分节点筛选，有效降低了数据复杂度，聚焦于最相关的营养成分信息。对饲草料营养成分节点数据进行共现频率统计处理，揭示了不同营养成分之间的关联程度，为识别重要的营养组合提供了量化依据。共现频率数据反映了饲草料中营养成分的分布特征，有助于了解不同营养成分的相互依存关系。将营养成分之间的关系转化为可视化和可计算的矩阵形式，共现矩阵提供了营养成分间关系的全局视图。对营养成分共现矩阵进行奇异值分解处理和潜在关联关系挖掘，能够揭示数据中的主要模式和结构，而潜在关联关系挖掘则可以发现表面上不明显的营养成分互动。支持向量机可以有效地处理高维数据和非线性关系，能够更准确地量化不同营养成分之间的关联强度。将数值化的关联强度转化为具体的关系类型，如协同作用、拮抗作用等。关联类型的识别有助于深入理解营养成分间的相互影响机制。关键营养成分的识别，可以帮助人们抓住重点，集中精力关注对饲草料营养价值影响最大的因素。

28、优选地，步骤s3包括以下步骤：

29、步骤s31：基于饲草料关键营养成分数据通过饲草料营养知识图谱进行抗营养因子提取，生成抗营养因子数据；

30、步骤s32：通过抗营养因子数据对饲草料关键营养成分数据进行主成分耦合强度分析，生成抗营养因子-营养成分耦合对数据；

31、步骤s33：对抗营养因子-营养成分耦合对数据进行谱聚类处理，并进行作用关系模式分析，生成互作关系模式数据，其中互作关系模式数据包括协同作用模式、拮抗作用模式以及累加作用模式；

32、步骤s34：对互作关系模式数据进行文献证据挖掘，并进行作用关系强度量化，生成互作关系强度数据；

33、步骤s35：通过互作关系强度数据对抗营养因子-营养成分耦合对数据进行作用关系类型细化，并进行互作网络构建，生成抗营养因子-营养互作网络；

34、步骤s36：根据抗营养因子-营养互作网络进行抗营养作用关系路径识别，生成抗营养互作路径数据。

35、本发明在已构建的饲草料营养知识图谱中进行查询和关联分析，提取出与这些关键营养成分存在潜在相互作用的抗营养因子信息，例如单宁、植酸、皂苷等。通过抗营养因子数据对饲草料关键营养成分数据进行主成分耦合强度分析，反映了抗营养因子与关键营养成分之间的相互作用，揭示了哪些抗营养因子对特定营养成分的吸收产生显著影响。将复杂的耦合关系归类为协同作用、拮抗作用和累加作用等不同模式，能够更清晰地理解不同类型的营养-抗营养互作机制。将理论分析与实际研究证据相结合，提高了分析结果的可靠性和实用性。通过文献证据挖掘，可以验证和补充模式分析的结果。通过互作关系强度数据，可以更精细地刻画抗营养因子与营养成分之间的作用关系，例如区分不同程度的拮抗作用，不仅展示了单一的抗营养因子与营养成分的关系，还揭示了多重因素之间的复杂相互作用。通过抗营养作用关系路径识别，可以深入了解抗营养因子影响饲草料营养价值的具体机制，例如某个抗营养因子如何通过抑制某种酶的活性，最终降低某种营养成分的消化率。

36、优选地，步骤s4包括以下步骤：

37、步骤s41：根据饲草料关键营养成分数据进行营养消化知识挖掘，生成营养消化知识数据；

38、步骤s42：通过营养消化知识数据对饲草料关键营养成分数据进行营养成分消化特征分析，得到营养成分消化特征数据；

39、步骤s43：基于抗营养互作路径数据对营养成分消化特征数据进行消化影响因子提取，生成消化影响因子数据；

40、步骤s44：将消化影响因子数据以及营养成分消化特征数据进行消化特征整合，生成营养成分消化特征数据；

41、步骤s45：根据营养成分消化特征数据进行营养消化预测模型构建，生成营养消化预测模型。

42、本发明通过知识挖掘，能够获取各种营养成分在动物体内的消化规律、吸收机制和利用效率等关键信息。将一般性的消化知识与具体的饲草料营养成分相结合，揭示了特定饲草料中各营养成分的独特消化特征。这种分析有助于了解不同营养成分在消化过程中的行为模式，如消化速率、吸收部位、代谢途径等。将抗营养因子的影响纳入消化特征分析中，全面考虑了影响营养消化的各种因素。通过提取这些消化影响因子，研究者能够更准确地预测和解释不同条件下的营养消化效果。将消化影响因子数据以及营养成分消化特征数据进行消化特征整合，能够获得更加完整和准确的消化过程描述，包括正面的营养吸收特征和潜在的负面影响因素。根据营养成分消化特征数据进行营养消化预测模型构建，构建的预测模型能够模拟复杂的消化过程，预测不同饲草料在不同动物体内的消化效果。

43、优选地，步骤s45包括以下步骤：

44、步骤s451：获取饲草料动物消化率实验数据；

45、步骤s452：对饲草料动物消化率实验数据进行特征工程处理，生成饲草料动物消化率特征数据；

46、步骤s453：基于饲草料动物消化率特征数据利用随机森林回归算法将营养成分与饲草料消化率进行映射处理，构建初步营养消化预测模型；

47、步骤s454：对营养成分消化特征数据进行随机数据集划分，分别得到营养消化训练集以及营养消化验证集；

48、步骤s455：利用营养消化训练集对初步营养消化预测模型进行模型训练，并根据米氏方程进行超参数调优，得到优化营养消化预测模型；

49、步骤s456：通过营养消化验证集对优化营养消化预测模型进行模型验证处理，得到营养消化预测模型。

50、本发明获取饲草料动物消化率实验数据反映了真实条件下饲草料在动物体内的消化情况，包含了各种影响因素的综合作用结果。对饲草料动物消化率实验数据进行特征工程处理，将原始实验数据转化为更具代表性和预测价值的特征集，反映消化率变化的关键因素，降低数据的噪声和冗余。将复杂的非线性关系转化为可计算的模型。随机森林算法的使用能够有效处理高维特征、捕捉复杂的特征交互作用，并且对异常值具有较强的鲁棒性。通过随机划分，可以避免数据分布偏差，使得模型能够学习到更加普遍的规律。通过迭代学习不断改进模型性能，有助于找到最佳的模型配置。这种优化过程不仅提高了模型的预测准确性，还增强了模型对不同饲草料和动物种类的适应性。通过使用独立的验证集，可以评估模型在未见过的数据上的表现，从而判断模型的泛化能力。这种验证过程不仅能够确认模型的预测准确性，还能发现潜在的过拟合或欠拟合问题。

51、优选地，步骤s5包括以下步骤：

52、步骤s51：获取目标饲草料样本；对目标饲草料样本进行饲料样本信息化处理，得到数字化饲草料样本数据；

53、步骤s52：利用饲草料营养知识图谱对数字化饲草料样本数据进行标准饲草料数据匹配，得到匹配饲草料营养数据；

54、步骤s53：根据匹配饲草料营养数据进行样本特异性营养分析，生成饲草料特异性营养数据；

55、步骤s54：根据饲草料特异性营养数据进行环境影响指数分析，得到饲草料环境调整系数；

56、步骤s55：基于饲草料环境调整系数利用营养消化预测模型对数字化饲草料样本数据进行营养成分消化率预测，生成营养成分预测消化率；

57、步骤s56：根据营养成分预测消化率进行营养物质可消化量计算，得到营养成分可消化量数据；

58、步骤s57：通过营养成分可消化量数据对数字化饲草料样本数据进行营养价值综合评分，生成饲草料营养价值数据。

59、本发明将实际的饲草料样本转化为可进行计算机分析的数字化形式。信息化处理不仅提高了数据的标准化程度，还大大增加了数据处理的效率和准确性。将具体的样本数据与系统化的知识库进行关联，大大丰富了样本的营养信息。通过这种匹配，可以快速获取样本中未直接测量的营养成分信息，填补数据空白。通过特异性分析，可以识别出样本中异于标准或平均水平的营养成分，这对于评估特定饲草料的优势和潜在风险至关重要。虑了环境因素对饲草料营养价值的影响，使评估结果更加贴近实际应用场景。环境调整系数的引入使得营养预测模型能够适应不同的地理、气候和饲养条件，提高了预测的准确性和适用性。利用预测模型和环境调整系数，可以更精准地预测目标饲草料样本在特定环境条件下的营养成分消化率。将预测的消化率转化为实际可被动物吸收利用的营养物质数量，可消化量数据直观地反映了饲草料中各营养成分的实际利用价值。营养价值综合评分可以将复杂的营养成分信息转化为简单直观的指标，方便养殖户和饲料企业快速评估和比较不同饲草料的营养价值。

60、优选地，步骤s6包括以下步骤：

61、步骤s61：对目标饲养动物进行生长阶段精准划分，得到饲养动物生长阶段数据；

62、步骤s62：根据饲养动物生长阶段数据进行动物生产性能目标量化，得到生产性能目标数据；

63、步骤s63：根据生产性能目标数据进行营养成分需求计算，生成动物营养成分需求数据；

64、步骤s64：基于饲草料营养价值数据通过动物营养成分需求数据对目标饲养动物进行饲喂配方优化，生成优化饲喂方案数据；

65、步骤s65：根据优化饲喂方案数据进行精准营养供给方案制定，并进行饲喂反馈数据采集，得到饲喂反馈数据；

66、步骤s66：根据饲喂反馈数据进行饲喂效果评估，得到饲喂效果评估数据。

67、本发明通过精准划分生长阶段，可以更准确地把握动物在不同发展阶段的特定需求，从而制定更加针对性的饲喂策略。将抽象的生长目标转化为具体的、可衡量的指标。通过量化生产性能目标，饲养者能够设定明确的阶段性目标，如日增重、产奶量、产蛋率等。将生产目标转化为具体的营养需求，为精准饲喂奠定基础。通过计算不同生长阶段和生产目标下的具体营养需求，可以确保饲喂方案能够精确满足动物的生理需求。通过饲喂配方优化，可以实现饲料资源的高效利用，降低饲养成本，同时满足动物的营养需求，提高生产性能。精准营养供给方案的制定确保了优化配方能够准确地应用到日常饲养中。通过饲喂效果评估，可以及时发现饲喂方案中存在的问题，并进行相应的调整和优化，以不断提高饲养管理水平，实现最佳的生产效益。

68、优选地，步骤s64包括以下步骤：

69、步骤s641：对目标饲养动物进行实时饲草料供给提取，得到实时饲草料供给数据；

70、步骤s642：通过动物营养成分需求数据对实时饲草料供给数据进行营养需求缺口分析，得到营养需求缺口数据；

71、步骤s643：利用饲草料营养价值数据对营养需求缺口数据进行饲草料营养缺口弥补匹配，生成饲草料营养弥补数据；

72、步骤s644：根据饲草料营养弥补数据进行原料可获得性处理，生成可获得性饲料原料清单数据；

73、步骤s645：基于可获得性饲料原料清单数据对实时饲草料供给数据进行饲草料配比方案生成，得到饲草料配比方案数据；

74、步骤s646：对饲草料配比方案数据进行精准营养供给平衡处理，并进行多目标优化处理，生成优化饲喂方案数据。

75、本发明实时获取目标饲养动物当前的饲草料供给情况，实时饲草料供给数据反映了动物当前的实际饲料摄入情况，有助于及时发现和解决饲喂过程中的问题，如采食量异常、饲料浪费等。将理论需求与实际摄入进行对比，精确识别了营养供给的不足之处。营养需求缺口数据直观地反映了当前饲喂方案中需要改进的方面，有助于防止营养不足或过剩的问题，确保动物获得均衡的营养供给，从而优化生长性能，提高动物健康水平。通过精确匹配饲草料的营养价值与动物的需求缺口，可以制定出最适合的营养补充策略。这种精准匹配不仅提高了饲料利用效率，还可以最大限度地减少营养浪费，降低饲养成本。将理想的营养补充方案与实际可用资源相结合，确保饲喂方案的可执行性。通过优化配比，可以实现多种饲料原料的协同效应，提高整体的营养价值和消化利用率。多目标优化处理则考虑了诸如成本效益、环境影响、动物福利等多个方面，使得最终的饲喂方案不仅在营养上最优，还能在经济和可持续性等方面达到平衡。

76、本发明还提供一种饲草料营养知识图谱构建与消化分析系统，执行如上所述的饲草料营养知识图谱构建与消化分析方法，该饲草料营养知识图谱构建与消化分析系统包括：

77、知识图谱构建模块，用于获取饲草料文献资源数据；基于饲草料文献资源数据构建饲草料营养知识图谱；

78、营养成分识别模块，用于根据饲草料营养知识图谱进行营养成分节点筛选，得到饲草料营养成分节点数据；对饲草料营养成分节点数据进行共现频率统计处理，生成营养成分共现矩阵；根据营养成分共现矩阵进行关键营养成分识别，生成饲草料关键营养成分数据；

79、抗营养互作分析模块，用于根据饲草料关键营养成分数据进行抗营养因子提取，生成抗营养因子数据；通过抗营养因子数据对饲草料关键营养成分数据进行作用关系模式分析，生成互作关系模式数据；根据互作关系模式数据进行抗营养作用关系路径识别，生成抗营养互作路径数据；

80、消化模型构建模块，用于根据抗营养互作路径数据进行消化影响因子提取，生成消化影响因子数据；根据消化影响因子数据进行营养消化预测模型构建，生成营养消化预测模型；

81、营养价值评估模块，用于利用营养消化预测模型对获取的目标饲草料样本进行营养成分消化率预测，生成营养成分预测消化率；根据营养成分预测消化率进行营养价值综合评分，生成饲草料营养价值数据；

82、智能饲喂方案优化模块，用于根据饲草料营养价值数据进行饲喂配方优化，生成优化饲喂方案数据；根据优化饲喂方案数据进行饲喂效果评估，得到饲喂效果评估数据。

技术特征：

1.一种饲草料营养知识图谱构建与消化分析方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的饲草料营养知识图谱构建与消化分析方法，其特征在于，步骤s1包括以下步骤：

3.根据权利要求1所述的饲草料营养知识图谱构建与消化分析方法，其特征在于，步骤s2包括以下步骤：

4.根据权利要求1所述的饲草料营养知识图谱构建与消化分析方法，其特征在于，步骤s3包括以下步骤：

5.根据权利要求1所述的饲草料营养知识图谱构建与消化分析方法，其特征在于，步骤s4包括以下步骤：

6.根据权利要求5所述的饲草料营养知识图谱构建与消化分析方法，其特征在于，步骤s45包括以下步骤：

7.根据权利要求1所述的饲草料营养知识图谱构建与消化分析方法，其特征在于，步骤s5包括以下步骤：

8.根据权利要求1所述的饲草料营养知识图谱构建与消化分析方法，其特征在于，步骤s6包括以下步骤：

9.根据权利要求1所述的饲草料营养知识图谱构建与消化分析方法，其特征在于，步骤s64包括以下步骤：

10.一种饲草料营养知识图谱构建与消化分析系统，其特征在于，用于执行如权利要求1所述的饲草料营养知识图谱构建与消化分析方法，该饲草料营养知识图谱构建与消化分析系统包括：

技术总结
本发明涉及畜牧营养工程技术领域，尤其涉及一种饲草料营养知识图谱构建与消化分析方法及系统。所述方法包括以下步骤：基于饲草料文献资源数据构建饲草料营养知识图谱；根据饲草料营养知识图谱进行关键营养成分识别，生成饲草料关键营养成分数据；根据饲草料关键营养成分数据进行抗营养作用关系路径识别，生成抗营养互作路径数据；根据抗营养互作路径数据进行消化影响因子提取，并进行营养消化预测模型构建，生成营养消化预测模型；利用营养消化预测模型进行营养成分消化率预测，生成营养成分预测消化率；根据营养成分预测消化率进行饲喂配方优化，得到饲喂效果评估数据。本发明通过饲草料营养知识图谱构建，实现精准化饲喂方案定制。

技术研发人员：赵建飞,刘静波,谢卓雅,曹山川,黄文明,尹恒,刘正群,闫峻
受保护的技术使用者：西南科技大学
技术研发日：
技术公布日：2024/9/23