龚 诚 衣军波 蔡林恭 余舟川

（91001部队 北京 100841）

1 引言

由于军事科技的不断发展，战场环境的复杂性和信息不对称性不断增加，仅凭个人经验不能实时准确地识别敌方目标意图，因此需要智能识别预测方法。近年来，学者们建立了不同的智能模型来研究不同领域的意图识别问题，在空战目标意图识别领域，文献［1］综合分析了轨迹与战术之间的相关性，利用深度神经网络对识别单个空中目标的作战意图。文献［2］研究了一种在不完备信息条件下基于信息熵的空中目标意图预测方法，可以对目标协同作战意图进行有效识别。文献［3］提出了一种基于不完全信息的LSTM 网络的空战目标意图预测模型，采用自适应矩估计（Adam）优化算法来加快目标意图预测模型的训练，有效解决了局部优化问题。文献［4］利用目标信息特征集合以及战场目标的作战属性与对抗状态间的联系性，建立模糊推理模型和模糊推理规则识别目标意图。文献［5］利用专家先验知识构建联合贝叶斯网络识别模型来识别目标战术意图。虽然上述方法对目标常规战术意图识别有较好的效果，但无法有效解决复杂战场环境下的目标意图识别问题。另外，在分类器中加入不同线性度和相关度的特征会降低一些标签的识别率，影响模型的可解释性。在车辆驾驶员制动意图识别领域，不同类型的神经网络通过学习累积样本数据来提高意图识别的准确性［6～7］。SVM 用于提取低相关参数的特征，然后将提取的结果和高相关特征用于数据挖掘，进一步提高了车辆驾驶员制动意图识别的准确性［8］。在用户意图识别领域，文献［9］提出了一种启用自动编码器和基于k-means聚类（AKMC）的方法来识别潜在用户，在仿真实验中，该方法的准确率达到了80%以上。文献［10］提出了一种双向网格长短期记忆RNN 框架，用于提高用户意图识别的效率。通过综合分析上述研究成果，学者们普遍使用机器学习来解决意图识别问题，所选参数特征的相关性和完整性是影响识别结果准确性的关键因素。然而这些研究并未能够充分考虑战场因素之间的关联性，在复杂战场环境下意图识别的准确性不高。

因此，本文利用知识图谱嵌入学习技术，通过目标意图知识图谱来组织多源异类战场情报数据，构建目标活动因素关联关系网络，形成跨时空、跨任务、跨实体等多维度的信息理解能力，实现在复杂战场环境下对目标作战意图智能识别。

2 目标意图知识图谱

2.1 知识图谱架构

在逻辑架构上战场目标意图知识图谱可以分为模式层和数据层两个方面，如图1所示。模式层建立在数据层之上，通过形式化的方式描述相关公式、规则、概念实体、关系等模式信息，如图1（a）所示。数据层含有许多实例与实例之间的关联关系，是模式层的实例表示，如图1（b）所示。属性层主要是目标本身固有的属性信息，这些属性是用于目标意图分析的参数，如：飞机本体有最大速度、最小速度、巡航速度和巡航高度、最大加速度、最大减速、最大过载爬升、最大过载俯冲等。特征层以各种特征为基本节点，节点信息主要包括特征类型和特征参数等，例如传感器状态、机动类型、环境状态、我方目标状态等；而意图层的节点信息主要包括目标实体意图间的包含关系、关系值域、关系约束等。

图1 知识图谱模型

2.2 知识图谱构建

目标意图知识图谱的构建是一个动态循环的过程［11］，如图2所示。首先利用知识表示技术，结合可视化建模方法，对概念层、属性、规则等进行定义，明确概念和概念之间的语义关联，实现多层级领域知识体系构建；然后通过实体识别、关系抽取等知识抽取相关技术从结构化、半结构化、非结构化的数据中自动化地提取实体、关系、属性、事件等知识要素；之后利用实体消歧技术、实体链接技术消除实体、属性、关系、事件等知识对象之间的矛盾和歧义，利用知识合并技术来合并重复的知识；之后则是利用知识推理、知识计算、知识补全等技术，从知识库中已有实体关系数据出发，经过推理和计算，建立实体间的新的关联关系，从而扩展更新知识网络，最终形成目标意图知识图谱；在目标意图知识图谱应用过程中，会反馈出新需求新概念，指导目标意图领域认知框架的补充与完善［12］。

图2 知识图谱构建过程

3 基于知识图谱嵌入学习的意图识别

3.1 知识图谱嵌入学习

为了方便战场目标意图识别任务的使用，我们可以利用知识图谱嵌入学习技术来获取实体和关系隐含的语义信息。每一个战场目标在目标意图知识图谱中都会有其它的实体通过直接关系相连或者间接关系路径与其相连，这些关系主要包括录属关系、包含关系、协同关系等，这些实体可以看作是目标的属性，结合目标固有的属性信息和目标状态信息，能一定程度上反映目标的意图倾向，可以通过嵌入传播方法来利用这些知识信息。

我们定义实体和关系路径的集合用来表示目标实体的传播信息，公式如下：

其中Si(0)={(＜＞,i)} 为最初的集合，Si(1)={(＜r2,e3＞,i),(＜r3,e4＞,i)}，以此类推；||表示将关系r放到关系路径pl-1的后面形成一个新的路径，pl表示从目标实体i开始传播到第j跳的关系路径。

目标-关系路径的注意力权重为

目标-实体路径的注意力权重为

归一化得到最后的最终的权重：

对权重信息进行线性组合可以得到：

因此可以得到所有L跳实体嵌入信息的集合Γi，如下所示：

3.2 目标意图识别模型

将集合Γi里的进行求和操作，可以得到新的嵌入e*i：

再通过SVD++方法将目标间的协同信息结合到目标的嵌入中，则可以得到目标u的嵌入u*：

其中T(u) 表示为与目标u交互过的意图集合。

然后对u*和e*i进行内积操作，可以得到预测目标对意图的概率分数：

3.3 损失函数

给定目标意图知识图谱G 和交互图Y，对上面的预测模型进行最大化后验概率模型参数θ：

max p(θ|G,Y)

其中，θ包括参数矩阵、偏置项向量、目标实体的嵌入、意图的嵌入等。利用贝叶斯理论，上式可转换为

利用极大似然估计理论，可以得到目标损失函数ℒ：

4 实验分析

因为意图识别是一个分类问题，因此可以使用精确率、召回率、F1-分数来验证方法的有效性，它们的定义为

其中真正数、假正数和假负数的含义如表1所示，真正数是预测值为正样本且真实值也为正样本的数量，假正数是预测值为负样本而真实值为正样本的数量，假负数是预测值为正样本而真实值为负样本的数量，真负数为预测值为负样本且真实值也为负样本的数量。

表1 混淆矩阵

采用某作战仿真系统中的数据，研究本方法在对海作战模式下对目标意图识别的整体有效性。分别采用基于知识图谱嵌入学习的目标意图智能识别方法①、基于注意力机制的长短期记忆网络的目标意图识别方法②、基于深度神经网络的目标意图识别方法③、基于模糊推理的目标意图识别方法④，这四种方法识别目标意图，对比分析模型训练过程和识别结果。

从图3损失函数值变化情况可以看出，从左往右随着训练的迭代次数增加，四种意图识别模型方法的损失函数值总体情况均逐渐下降，最后趋向于一个稳定值，其中基于知识图谱嵌入学习的目标意图智能识别方法损失函数值最小，优于其他三种识别方法。

图3 损失函数值变化情况

识别目标意识所用的识别时间也是评估模型效果的一个重要指标，表2是在两个不同的作战场景采用四种识别模型对目标意图进行识别所消耗的时间，从表2中可以得知，采用基于知识图谱嵌入学习的目标意识智能识别的方法在四种方法中所消耗的时间最少，平均单次识别时间为1.20s。

表2 不同作战场景和识别方法下的目标意图识别时间对比

从表3中可以得到四种方法对于撤退意图的识别率较高，而突防意图识别率较低，经综合分析，撤离意图的目标态势特征与其它意图区别最大，更易识别，而突防与攻击的态势特征接近，更难识别。基于知识图谱嵌入学习的目标意图智能识别方法对各类型的意图的识别在四种方法中精确率、召回率、F1-分数均最高，表明本文所提方法对目标意图进行识别的准确度最高。

表3 目标意图识别性能度量

5 结语

针对当前战场目标意图识别方法战场态势情报信息利用率低、识别准确率不高的问题，本文引入知识图谱嵌入学习技术，提出了一种基于知识图谱嵌入学习的目标意图智能识别方法。利用知识图谱的可变动态数据模式、语义信息丰富、关联清晰等优点，可以有效解决多源异构情报信息孤岛问题，提高目标意图识别的准确性。通过实验分析结果可以得知，基于知识图谱嵌入学习的目标意图智能识别方法识别精度较高，平均识别时间短，能够充分利用复杂环境下战场因素之间的关联关系信息获取识别特征，拥有较好的鲁棒性。