水稻是我国种植最为广泛的主粮作物之一,其产量对我国的经济发展和社会稳定有重要作用。水稻的种植过程复杂,对种植技术要求较高。为提高水稻产量,目前需要依靠农技服务,而我国的农技服务面临资金短缺、人力不足等诸多困境。随着人工智能的发展,越来越多的领域通过构建领域内智能问答系统来解决用户常见问题。因此通过搜集网络上丰富的水稻相关资源,构建一个水稻FAQ(Frequently asked questions,常问问题集)问答系统,对农民在水稻种植过程中遇到的问题进行分析,直接返回对应的答案,将对提高水稻产量有重要意义。句子相似度计算是FAQ问答系统理解用户问题的关键,其准确率直接决定了问答系统的回答准确性。针对传统句子相似度方法准确率普遍较低的问题,本文引入了深度学习中的词向量和LSTM(Long-short term memory,长短期记忆)神经网络,词向量解决了传统文本表示面临的维度爆炸和语义不足的问题,LSTM可以自动抽取句子特征,而且其特殊的网络结构决定了它能很好地获取文本语义。以词向量作为输入构建基于LSTM的句子相似度模型,并将该模型应用到水稻FAQ问答系统中。本文从水稻FAQ问答系统知识库构建与问题相似性标注、句子相似度模型构建与实验、问答系统实现三个方面展开研究和讨论,主要内容如下:(1)水稻FAQ问答系统知识库构建与问题相似性标注。通过网络爬虫从各农业类网站抓取到22533个水稻农事相关的问答对,作为水稻FAQ问答系统的知识库。针对缺乏用于训练句子相似度模型的数据集的问题,本研究设计了一种半自动化的数据标注方法,首先手工对3007条原始问题中表达意思相同的问题进行归类,然后用该方法自动标注两个问题之间的相似性,最终生成32072个已标注为相似或不相似的问题对作为句子相似度模型的训练和测试数据。(2)句子相似度模型构建与实验。构建一个基于LSTM,包括输入层、嵌入层、LSTM层、全连接层和输出层的句子相似度模型。针对水稻相关问题中存在大量在通用语料中不出现或出现频率低的领域专用词汇的特点,本文首先采集了大规模的水稻相关语料,在通用语料和水稻语料的基础上训练词向量。然后用得到的词向量模型对训练数据向量化后作为输入,训练句子相似度模型。通过调整参数对模型进行优化以得到最优的句子相似度计算结果。最后与基于HowNet、词向量的余弦距离两种基线方法进行对比。通过对句子相似度的计算结果进行抽样检查,该模型的计算结果更符合人的直观印象。从准确率和ROC曲线进行分析,该模型也明显优于其它两种方法,准确率达到了 93.1%。(3)水稻FAQ问答系统实现。基于该句子相似度模型开发一个面向农户和农技人员的水稻FAQ问答系统,系统提供了 Web版和微信小程序版,可以满足用户的不同需求。用户通过网页或者小程序进行提问,系统能够准确地匹配用户问题和水稻FAQ中的问题,并自动返回对应答案。当系统无法找到用户问题对应的答案时,用户问题会暂时进入“未解答问题表”,专家定期登录系统对这些遗留问题进行回答,然后把这些问题和对应答案加入水稻FAQ知识库。该问答系统界面简洁直观,使用方便,不需要额外的学习即可操作,尤其是微信小程序端,非常适合农户在田间受限条件下用手机随时进行提问,更有效地帮助农户解决水稻生产中遇到的问题。该系统不仅对水稻生产具有现实指导意义,而且促进了智慧农业的发展。