陈 昊，赵 斐，王世珠，刘思培

（1.北京跟踪与通信技术研究所，北京 100094；2.北方信息控制研究院集团有限公司，南京 211153）

0 引言

现代战争已由过去的打火力、打机械时代进入到了打信息战时代，伴随争夺制信息权而来的问题是战场信息量的急剧增长、高价值信息易被淹没在信息汪洋中；传统将战场态势信息不加选择、全部展现的方式已经落伍，而面向不同作战单元和群体将所需要的态势信息快速而准确地定制推送、一致显示已经成为新的趋势；战场态势信息精准推荐定制能力逐渐成为衡量指控系统效能的重要指标。目前常用的推荐方法一般可分为基于内容的推荐［1-6］、基于协同的推荐［7-13］、基于规则的推荐［14-15］。其中，基于内容的推荐多基于文本形式，对其他多模态数据的特征提取受到限制，特征数据的匮乏导致无法发现用户潜在的兴趣和信息需求，用户对推荐的信任度和满意度不高；基于规则的推荐具有数据支持的广泛性，可按照用户级别、任务类型和数据种类进行规则或策略定制，但存在规则制定复杂、作战场景适应性差、用户维护不便、应用体验不佳的问题。综上，以上方法对于态势信息精准推荐应用而言都有其局限性。

为了解决态势信息精准推荐的问题，本文提出了基于用户画像与协同过滤算法的态势信息精准推荐方法。该方法以用户单元或群体的行为或兴趣为基础，实时生成用户画像；通过一定的相似度度量用户之间的相关性，特别是引入用户画像偏好指数，应用和优化协同过滤算法，将邻居用户已访问过而目标用户还未访问的项目作为最终推荐项目，从而可以实现具有一定联想性的目标用户个性化推荐。

1 战场态势信息生成与分发

1.1 战场态势与态势图

战场态势是发生在一定空间和时间范围的战场要素以及要素之间相互关系的集合。战场态势信息一般包括战场环境、兵力部署、作战企图、作战决心、战场目标等战场信息。20 世纪90 年代后期，美军为适应信息化联合作战的强烈需求，提出了态势图族概念即互操作作战图族FIOP（Family of Interop Operational Pic）。互操作作战图族FIOP 包括3 类态势图：1）共用作战态势图COP（Common Operational Picture），主要用于国家和战区层面的作战活动；2）共用战术图CTP（Common Tactical Picture），主要用于支持战术作战；3）单一合成态势图SIP（Single Integrated Picture），主要用于支持火力打击。通过应用互操作作战图族FIOP，美军构建了涵盖战略、战役、战术用户的战场态势生成体系，针对3 类作战用户提供互操作作战图族FIOP 的订阅分发服务能力，极大提升了战场态势图的作战应用效能。

在随后的应用过程中，美军发现互操作作战图族FIOP 分类过于粗犷、数据量大、传输效率低，虽然能够覆盖战略、战役、战术等用户的需求，但不同层级用户在进行战场态势感知时，无法从大量的战场态势信息中及时、高效地发现、获取自身急需的信息。因此，美军在统一态势图的基础上，提出了一致态势图的理念，认为战场态势的表达并不需要构建统一的态势图，而更侧重于在基于一致态势认知的基础上为不同的用户生成定制的态势。因此，后续又发展了用户定制态势图（UDOP），其核心思想是围绕作战用户的态势感知需求，定制生成面向终端用户作战所需要态势。同时，美军在《2020 联合构想》中将COP 由战场感知领域扩展到作战领域，以网络互联和知识共享环境为基础，融合陆、海、空、天、电等作战域的火力、ISR、后勤、机动等信息，形成一个立体完整的战场态势。

1.2 态势生成与分发

传统的态势信息生成与分发过程，主要依据态势信息的固有模型，通过采集、解析、处理战场感知数据，运用态势估计算法实现态势提取与理解，实时、近实时地生成战场态势，并根据约定的用户范围，进行战场态势信息的按需分发。

图1 统一态势分发（左）与一致态势分发（右）

如图1 所示，其态势信息生成与分发的模式一般可包括两种：

1.2.1 统一态势生成与分发

基于统一态势的生成与分发，一般围绕态势主题或应用层级，通过分析态势元素间的固有关系实现态势建模，生成统一态势，并针对用户订阅需求进行全局或局部分发共享。

1.2.2 一致态势生成与分发

基于一致态势的生成与分发，主要面向不同用户个体的态势信息需求建模，生成专有的用户态势信息，完成态势信息的定制生成与分发。

1.3 态势信息的质量评价

态势信息的质量可从内容质量、集合质量、表达质量、效用质量等方面分析评价。从态势生成与分发角度考虑，本研究侧重于考察态势的集合质量。态势集合质量包括态势的完整性和态势的相关性两项指标。

1.3.1 态势的完整性

完整性即通过感知手段获取的战场目标反映战场真实目标数量的程度。当无虚假目标（虚警或杂波）时，态势的完整性可以定义为：

其中，N0（tk）表示tk时刻战场真实目标总数，N1（tk）表示tk时刻所获取的目标数。Com∈［0，1］，Com=1 表示系统态势是完整的。

在基于用户画像的态势信息精准推荐过程中，态势的完整性会影响整体态势信息的质量，但其结果并不参与态势信息推荐过程。因此，我们不使用态势信息的完整性来评价和指导精准推荐过程。

1.3.2 态势的相关性

相关性即通过融合处理生成的态势实体与用户需求的态势信息的关联程度。态势的相关性可以定义为：

其中，Ttk表示tk时刻的态势实体向量，Ptk表示tk时刻用户期望的态势实体向量。Sim∈［0，1］，Sim=1 表示生成的用户态势和用户期望的态势是完全相关的。可知，态势相关性能够直接反映态势推荐的结果。在本研究中，态势相关性被泛化为信息相似度。

2 基于用户画像的态势精准推荐

2.1 态势精准推荐方法

本文所涉基于用户画像的态势精准推荐研究是假定在已经生成精确、完整的全局态势集合基础上，围绕提升用户态势集合质量，提高态势集合质量中的相关性指标，基于一致态势生成模式提出的一种面向用户的态势精准生成方法。其应用架构如图2 所示，通过对云上汇集的态势数据进行分类、聚类、分析，关联用户的身份、作战任务等属性，同时考虑用户的操作习惯、偏好信息，实时计算精准生成用户的一致态势信息，并面向用户完成定向分发。具体过程如图3 所示，包括4 个部分内容：

图2 态势精准推荐应用架构

第1 步，建立统一的战场资源描述框架，统一数据、信息、模型、用户画像的表示机制，建立“数据、信息、模型、用户画像”四维一体的战场信息描述模型，以便系统具备相同的“信息基因”；从用户画像（特征）、关联关系（需求）两个维度梳理战场数据构建领域本体，形成以“用户画像（特征）、关联关系（需求）”为核心的结构化的战场数据描述规范；为后续用户态势信息、用户需求信息、任务信息关联和统一描述奠定基础；

第2 步，将态势信息中的目标、任务等信息构建成本体，提取天基数据、地面战场感知数据等，将目标、任务中所包含的位置、时间等信息构建成本体的数据属性和关联关系，实现态势信息建模；

第3 步，分析用户角色、用户身份的特点和信息需求建立作战用户基础特征模型；梳理各类作战任务的任务类型、任务对象、任务力量等特征建立面向任务的高价值任务信息关联模型；记录用户操作、用户习惯等行为模式数据建立用户偏好模型；结合先验数据、训练样本数据，综合用户基础特征模型、任务信息关联模型、用户偏好模型和战场数据，实时更新用户画像；

最后，针对实时态势信息，查找发现与实时态势信息相似的用户信息需求，计算即时态势信息与用户信息的相似度。针对信息相似度结果，过滤不相关态势信息，精准推荐用户战场态势。

图3 态势精准推荐

2.2 用户画像定义与生成

用户画像（UserProfiling），又称为用户打标签（UserLabeling）、用户建模（UserModeling），是描述用户的一系列用户属性的集合，可通过数据挖掘方法分析用户的行为、观点等，抽取出用户的典型特征，从而将人物原型标签化；同时在描述记录用户完整特征的同时，侧重于挖掘信息需求关联关系。

基于信息需求关联的用户画像生成，主要包括战场资源统一描述框架和作战用户画像原型设计两部分。

2.2.1 战场资源统一描述框架

图4 态势用户画像构建

战场资源统一描述框架基于本体论和知识图谱等相关理论，采用“概念、属性、关系、实例”等基本元语，按照“实体-关系-实体”和“实体-属性-取值”的描述形式。其中，概念是一类对象的抽象描述，如作战人员、武器平台、目标等；属性是指对各类实体的特征抽象，类比为数据库表的列字段，如年龄、射程、速度等；关系是支持不同实体之间的关联依赖，如装备和编制单位的隶属或配备关系、跟踪雷达和作战平台的隶属关系等；实例是某概念的具体表现实体，如1 连指挥车和2 号阵地的气象信息等。

战场信息描述模型基于本体技术中概念、属性、关联和实例等几个元语，进行分别定义和表征。信息描述模型分为两个层次，即概念层和实例层。在概念层次，是对战场所有涉及到实体和要素进行统一抽象，形成基于概念、属性和关系的战场数据本体模型；在实例层次，按照“实体-关系-实体”和“实体-属性-取值”的形式对各类战场信息进行统一描述，形成数据信息集合。

2.2.2 作战用户画像设计

用户画像设计是用户对态势信息的兴趣偏好和兴趣内容特征的描述和表征，获取、表示、存储和修改用户兴趣偏好，更好地理解用户的需求和任务，从而更好地提供用户所需要的态势信息资源。用户画像可分为个体用户画像、用户群组画像。个体用户画像区分不同身份特征用户，用户群组画像基于群组内的所有个体用户具有极其相似的兴趣的假设。

用户画像的设计包括用户基础特征模型设计、任务信息关联模型设计、用户偏好模型设计等。任务信息关联模型是以作战任务所涉及到作战力量、打击目标、作战区域、作战计划等各类要素为基础，按照任务类别、任务状态、任务阶段和应用软件需求等角度，在领域本体的框架下建立各类要素与战场信息之间的关联描述模型；用户偏好模型构建是在个体用户画像和群组画像构建的基础上，综合考虑不同用户的各自任务角色、用户身份和用户行为操作等方面特征，动态构建个体用户与战场信息之间的筛选和过滤，将用户画像中的概念标签映射为战场信息中具体实例信息。

2.3 基于用户偏好的态势协同过滤

通过协同过滤实现态势信息推荐，其本质是忽略数据内容本身的内涵，而聚焦目标用户需求兴趣相似的邻居用户对于目标文档的评价来预测目标用户的评价。根据态势信息与目标用户信息需求的匹配程度，将态势推荐给需要的用户。

图5 态势协同过滤

这个方式本身对于用户比较稀少的战场环境有其固有缺陷，而且具有数据稀少时无法推荐的问题。本文从两个角度进行限制或改进，以提高协同过滤算法应用可行性。一是聚焦到任务驱动的高价值信息的推荐方面，由于作战任务信息类型和用户角色相对固定，执行相似作战任务对信息需求比较类似，不受时间、空间和信息源的限制；二是在应用系统环境下，建立用户对推送信息的评价和反馈机制，利用用户主动或被动相结合的方式，定位和监控用户对推送数据的使用频度和信息度，定期将数据同步到后台日志中作为训练的依据，一定程度缓解数据量稀少的问题。将上述两项因素转换为计算因子，计算生成与用户画像潜在关联的用户画像偏好指数，将提升优化用户需求态势信息协同过滤效率，在逻辑层面实现为每个用户个性化推荐效果。协同过滤实现步骤如下：

1）首先建立用户模型和用户-态势信息评分矩阵UT其中，m 表示作战用户数量，n 表示态势信息条数，Tij户对第i 个作战用户对j 个态势信息的评价值。然后基于用户-态势信息评分矩阵使用相似度算法计算用户相似度找出近邻用户：

其中，Si、Sj分别表示用户i 和用户j 对态势信息的评分集合，Si，j=Si∩Sj表示用户i 和用户j 共同评分过的态势信息，Ris、Rjs表示用户i 和用户j 对态势信息s 的评分，Rj、Ri为用户i 和用户j 对态势信息评分的平均值。选择合适阈值m，确定待推荐用户的最近邻用户集合：

2）根据相似用户的态势信息按照权重进行排序，将权重较高的态势信息推荐给目标用户。得到Um之后，通过对Um进行加权来预测用户o 对态势信息t 的评分Rot：

其中，Ro、Ri为用户o 和用户j 对态势信息偏好的平均值，Sim（o，j）代表用户o 和用户j 的相似度，Rjt代表着用户j 对态势信息t 的用户偏好。

对于信息精准保障内容用户无进一步操作行为和反馈，或者与用户执行的任务不相关，则适当应该降低用户对当前实例标签或类别标签的兴趣权重；如果对于信息精准保障内容用户给与正面的反馈或进一步操作行为，或者与用户执行的任务相关则调高相关兴趣标签的权重。

3 仿真试验

3.1 试验想定

为验证态势信息精准推荐算法，模拟某争议地区发生冲突，某部队对重点军事目标侦察、打击。试验中，重点关注卫星过境信息、天基信息，同时实时模拟作战过程中己方感知、传统侦察手段获取的作战分队信息、战场环境、目标毁伤信息、战果战损信息；利用基于用户画像和协同过滤算法的态势信息精准推荐方法，精准生成和推荐不同任务的作战用户态势。

本次试验设定某部队指挥员、天基侦察员、目标保障员、火力协调员为战场态势信息的主要保障用户，针对不同的作战任务、不同的作战阶段向其精确推送保障态势。

3.2 试验环境与过程

试验中模拟了两部分数据：一是战场信息，包括作战分队位置信息、环境信息、目标毁伤信息、战果战损信息、卫星过境信息等；二是用户任务信息。通过分析用户的基本信息、用户任务信息以及先验知识数据库，提取用户特征信息，生成19 个用户画像；结合本次试验场景，着重选取、关注与本次打击任务相关的4 个用户，生成的初始用户画像如图6所示。

图6 初始用户画像

梳理各类作战任务的任务类型、任务对象、任务力量等特征建立面向任务的高价值任务信息关联模型。最后，综合用户模型和任务信息关联模型生成用户信息需求模型，并计算出用户相似度。试验设定用户1（部队指挥员）、用户3（情报侦察员）、用户12（地面目标侦察员）、用户15（火力协调员）为信息精准保障的用户。

基于用户任务和用户行为角度，用19 个用户分别与指挥员、情报侦察员、地面目标侦察员、火力协调员的信息需求对比，分析与其用户信息相似度，结果如图7、图8、下页图9、图10 所示。

图8 情报侦察员用户相似度

图9 地面目标侦察员用户相似度

图10 火力协调员用户相似度

由上述表格和图可知，如设定用户信息相似度50%为推荐阈值，则推荐给部队指挥员的信息，不会推荐给其他3 类用户；推荐给情报侦察员的信息，会推荐给侦察分队指挥员、空中目标侦察员、地面目标侦察员；推荐地面目标侦察员的信息，会推荐给情报侦察员、空中目标侦察员、火力操控员、火力协调员；推荐给火力协调员的信息，会推荐给部队指挥员。因此，仅根据用户特征生成的用户相似度度，与设定4 类用户的初始信息需求相似度并不一致，无法按照设定推荐战场态势产品。

图11 用户信息相似度

我们以4 类用户画像共同的信息需求模型抽象出来的实体为全集，以19 类用户的信息需求模型实体为子集，生成19 类用户的用户信息相似度，如图9 用户信息相似度所示。由图可知，19 类用户的初始用户信息相似度比较接近，很难过滤掉不需要推送的用户。

表1 不同条件下的用户信息相似度

将用户历史数据输入系统，训练用户信息相似度；通过两个步骤加以训练完善，训练后数据如表1所示。

1）训练基于用户的信息相似度模型。将用户历史数据输入系统，训练用户信息相似度；

2）训练基于内容的协同过滤算法。通过采集用户偏好值，将用户偏好向量，生成用户偏好指数。

根据表1 生成不同用户的信息相似度图，如图12 所示。系列1 蓝线代表原始的用户信息相似度，系列2 黄线代表用户历史数据训练的用户信息相似度，系列3 褐线代表基于用户偏好的用户信息相似度。在没有引入用户画像偏好指数前，信息相似度的计算结果在各个用户上更趋近于平均，这显然不符合客观实际；在引入用户画像偏好指数后，模型的精准推荐结果更接近于经验分布。

图12 训练后用户信息相似度图

4 结论

从用户基础特征、任务关联信息、用户偏好等角度构建用户画像，进行用户态势信息需求分析，可实现态势信息的精准推荐保障。通过在战场态势信息空间与用户需求之间建立关联映射关系，并对用户历史态势信息使用记录、任务动态趋势分析学习，建立可动态更新的用户画像。特别是通过引入用户画像偏好指数，可提高协同过滤精度，实现态势信息的精准推荐。