深度学习—基于军事知识图谱的作战预案语义匹配方法研究

基于军事知识图谱的作战预案语义匹配方法研究

人工智能技术与咨询 前天

本文来自《指挥与控制学报》 ，作者梁汝鹏等

摘 要 提出了一种智能化的预案语义匹配方法,基于军事知识图谱,建立知识图谱与作战预案特征映射,构建预案语义特征标注,实现作战预案隐藏知识的显式定义;设计了作战预案语义特征抽取与相似性计算算法,解决基于索引或关键字等语用层次特征匹配效率和准确度较低的问题,实现基于语义特征的作战预案智能语义匹配,满足预案快速、精准化匹配需求.

关键词 知识图谱,作战预案,语义特征,语义相似度,特征向量,语义匹配

随着战争节奏逐渐加快,平时筹划、战时匹配调整成为重要作战模式,预案匹配方法对于提高作战快速反应,并根据作战态势适度调整至关重要.作战预案匹配本质上是搜索问题,即如何根据当前情况,快速匹配与预案库中相似场景对应方案,并择优推荐预案,其核心是预案智能匹配方法.

目前,基于关键字或限定规则等语用层次的硬匹配方法,难以解决作战场景描述的模糊性问题,针对预案优选难以实现定量化评估[1−2],需要大量人工参与,难以满足战时快速匹配需求[3].针对预案库的匹配问题通常采用组合关键字的方式,这种方法更适用于完全形式化、确定性目标匹配,要求作战预案实现高度格式化、定量化描述,目前作战预案存在诸多定性描述,同时预案多以文本方式存在,传统的关键字匹配方法难以满足作战预案快速准确匹配需求,在面对作战方案精确化匹配时存在诸多不足.

同时,目前主流的基于“深度神经网络”人工智能推荐算法[4−5],需要大量数据样本进行深度学习与训练,但目前与作战预案匹配相关的数据样本较少,且皆是各国机密,对人工智能深度学习有较大制约.知识图谱可在一定程度上实现知识的形式化描述,满足智能自动化推理需要,针对典型的小样本问题,通过构建军事知识图谱,提供了作战知识的形式化描述,为精细化的作战预案匹配查询提供了新思路.

为解决预案快速匹配优选难题,本文提出了一种基于语义特征的预案智能匹配方法,通过军事知识图谱描述作战场景的语义特征,并定义各匹配目标方案对应的特征向量,基于语义特征的相似性测度,模拟指挥员选择预案的过程,满足预案定量化快速匹配优选要求,实现语义层次的作战方案智能匹配.

目前,基于特征的匹配与推荐方法研究较多,其中的难点问题在于特征的定义和描述[6−7],对于军事问题等小样本特征提取难题,基于知识图谱的语义特征描述提供了较好的解决方案,一方面可以解决基于关键字等硬匹配方法的固有缺陷,另一方面提供了基于军事知识库的特征表达,构建基于知识图谱的预案匹配方法,为解决作战预案的快速智能化预案匹配提供了新的技术解决方案,可在一定程度上提高作战效率.

1 军事知识图谱

知识图谱是以结构化的形式描述客观世界中的概念、实体及其关系,将信息表达成接近人类认知世界的形式,并提供一种更好的组织、管理和理解海量信息的能力[8].知识图谱为海量信息的语义搜索带来了活力,同时也在智能问答中显示出强大的威力,已经成为知识驱动的智能应用基础设施.知识图谱与大数据和深度学习一起成为推动互联网核人工智能发展的核心驱动力之一.

随着战场信息的爆炸式增长,传统的搜索方式已经无法满足战场信息以及大量军事知识的捕获和理解需要,而知识图谱技术在解决知识查询的精度以及可扩展性方面展现出了巨大的优势,成为当前研究的热点问题[9].

现有的知识图谱多为通用的知识图谱,针对性较强的领域知识,尤其是军事领域的知识图谱并没有较好的构建以及表示方法.因此,建立军事知识图谱意义重大.军事知识涵盖范围广泛,本文定义的军事知识图谱主要面向作战筹划领域.

在军事知识图谱构建过程中需要涉及数据采集、知识抽取、知识消歧、知识推理等技术[10],总体流程如图1所示.

基于知识图谱,可实现作战预案概念语义的形式化定义,由此获取预案语义特征的描述,基于语义特征实现智能预案匹配.

2 作战预案语义特征标注

2.1 语义特征定义

特征即给定属性集,其中某些属性可能很关键、很有用,另一些属性没什么用,实体属性即为特征,对于匹配任务密切相关的属性称为“相关特征”、对当前任务无用的属性称为“无关特征”.语义特征即通过知识图谱描述实体特征,实现实体的语义标注[11].

为获取关于预案描述的语义信息,需要创建预案特征的语义描述.通过与知识图谱的映射,定义预案特征结构化元数据.基于语义推理工具,语义标注支持预案语义匹配与发现,例如针对目标定义属性如图2所示.

2.2 预案语义特征标注

当前,自动语义标注算法无法产生完整、精确的特征标注,可构建半自动的特征语义标注算法,实现知识图谱中概念实体与概念关系排序.通过人工干预,构建预案特征半自动语义标注流程,实现语义特征映射.

语义标注算法通过分析用户输入的作战预案查询关键字,提供了预案语义特征相关的概念实体或关系,并映射到知识图谱对应节点,经过人工干预,利用图形化人机交互界面,辅助实现特征语义标注[12].

针对作战预案采用手工标注工作量大,容易出现错误,目前全自动预案语义特征标注算法尚不成熟.为提高语义特征标注的自动化程度,可在军事知识图谱概念术语匹配基础算法基础上,考虑知识图谱的图形化特征,可采用顾及军事知识图谱概念图结构的算法优化方案,融合PageRank 算法实现更为高效的语义特征概念匹配与特征标注[12],提高语义标注的可靠性,具体过程如图3所示.

3 基于语义特征的作战预案匹配

3.1 基于语义特征的预案匹配机制

图1 军事知识图谱构建流程

图2 语义特征

相对于传统的基于数据库索引和关键字匹配的预案匹配方法,知识图谱关联的特征语义标注支持智能逻辑推理,在预案查询过程中,语义推理引擎可以精确匹配查询与服务的语义标注信息,基于预案语义特征相似度计算,建立面向特定作战场景的作战预案匹配方法,实现语义级的服务匹配与发现,确保更为精确的查询结果,作战预案语义特征匹配机制如图4所示.

实现作战预案语义匹配核心是构建预案匹配规则与语义特征相似性度量算法.首先,基于作战要求,构建限制性匹配规则与优化类匹配规则,实现作战初步筛选;以筛选后预案为匹配目标集,基于各预案语义特征标注,抽取语义特征向量,通过建立融合预案语义特征相似性度量和包含性推理规则的混合模式预案匹配机制,实现作战预案语义匹配,提高预案匹配效率和准确度.

3.2 作战预案匹配规则

3.2.1 限制类约束规则

对预案库的预案按限制性规则进行匹配,排除不满足条件的预案,缩小匹配预案集.限制性规则主要包括几个方面: 目标的类型、我方力量状态等,通过0-1 匹配算法,匹配满足条件的预案集合.

3.2.2 优化类匹配规则

对已筛选的预案集合,利用方案优选规则,考虑目标的重要程度、目标毁伤程度、突防概率等,并利用基于特征向量的相似匹配算法,按优先级排序推荐预案,主要包括目标相似度、毁伤匹配度等.同时根据突防概率,可自动对作战力量进行排序,支持人工选择作战武器[13−15].

图3 基于知识图谱的语义特征标注

图4 基于语义特征的匹配机制

通过专家评价、样本训练等方式,确定特征参数,并进行归一化处理,利用余弦相似度方法[16−18] 进行相似度排序,如表1所示.

3.3 预案匹配流程

采用三级匹配机制(图5),一是作战场景定义,根据情报和上报信息,计算/预估对我方毁伤,遭袭目

图5 预案匹配流程

表1 作战预案匹配规则及输入输出表

图6 语义匹配技术体系

标的类型、目标对我方的重要程度,根据作战规则和作战意图,确定目标类型、反击强度,实现“目标向量”定义;二是预案语义特征相似度计算,基于作战预案语义特征标注,实现特征向量抽取,获取各个预案的“语义特征向量”,依据匹配规则,基于语义特征向量的相似度计算方法,实现特征向量排序因子计算; 三是基于匹配因子,实现预案匹配,并依据当前作战力量状态实现作战预案的二次筛选,最终形成作战预案匹配集合[19−20].

3.4 预案匹配关键技术

预案匹配主要包括3 方面内容:匹配规则设计、匹配因子和特征向量抽取、语义匹配算法设计等方面的技术.

3.4.1 预案匹配规则

以作战需求和作战特点为基础,开展预案匹配规则研究,作为预案匹配技术决策的基础和输入,满足预案匹配的科学、快速要求.

3.4.2 语义特征向量抽取

结合作战预案结构和内容,分析预案匹配所需的组成要素,基于作战预案语义标注,设计形成匹配因子和语义特征向量,以及匹配因子权重系数,研究匹配因子抽取及量化方法.

3.4.3 预案匹配算法

根据作战需求,研究设计语义特征相似度计算方法,实现匹配目标向量和预案特征向量相似度计算,计算作战预案排序因子,进行作战预案定量化排序.

4 结论

为解决预案快速匹配优选难题,本文提出了一种基于语义特征的预案智能匹配方法,通过军事知识图谱描述作战场景的语义特征,并定义各匹配目标方案对应的语义特征,基于语义特征的相似性测度,模拟指挥员选择预案的过程,满足预案定量化快速匹配优选要求,实现语义级作战方案智能匹配.

针对作战预案匹配模型小样本的训练问题,尚有众多问题需要解决,可在作战演训过程中不断积累特征标注数据和训练样本,逐步对预案匹配模型进行优化.

【转载声明】转载目的在于传递更多信息。如涉及作品版权和其它问题，请在30日内与本号联系，我们将在第一时间解决

关注微信公众号：人工智能技术与咨询。了解更多咨询

编辑：fqj