基于EE與改進DBN的國家雙邊關系預測

彭俊利，姜曉夏，張 震，谷 雨+

(1.杭州電子科技大學 通信信息傳輸與融合技術國防重點學科實驗室，浙江 杭州 310018；2.中國電子科技集團公司第二十八研究所 信息系統工程重點實驗室，江蘇 南京 210000)

0 引 言

隨著時代的發展，各國之間的沖突與摩擦逐漸增多，影響著國家雙邊關系的變化[1]。為使相關國家能夠提前采取應對措施，對國家雙邊關系的預測刻不容緩。動態貝葉斯網絡是知識表達與概率化推理的重要工具，被廣泛應用于具有動態性、不確定性等特點的各類問題中，如網絡輿情危機預測、突發事件情景推演等[2]。鞏前勝[2]選取情景狀態、應急活動等為關鍵要素，分析突發事件情景演化規律與路徑，運用動態貝葉斯網絡構建突發事件情景網絡，推理情景發展趨勢。楊靜等[3]對網絡輿情主體、客體與媒體3個要素進行分析，構建了基于動態貝葉斯網絡的網絡輿情危機預測模型，以“教科書式老賴”為例驗證了模型有效性。

國家雙邊關系的預測研究是國際關系領域的重點研究內容。就該問題，我國大部分的預測研究都是定性研究[4]，直到文獻[5]對事件數據分析法進行改進，提出國家雙邊關系定量衡量方法后，用統計學方法分析國家雙邊關系的研究才逐漸增多。文獻[6]在分析1990年以來與戰爭相關的新聞數據后，成功應用邏輯回歸模型對167個國家的40多萬條新聞數據進行分析，通過相關新聞報道的數量變化預測了沖突行為的發展趨勢。目前對國家雙邊關系的研究中，多數未考慮其它國家對某兩國雙邊關系變化是否產生影響，但往往某兩國雙邊關系會受到其他國家的影響。例如在南海爭端問題中共有中國、美國、日本、菲律賓等八大參與國，國家雙邊關系不可能是相互獨立的，如中菲雙邊關系可能會受到中美、中日等雙邊關系的影響。傳統預測方法未考慮這一問題，無法預測多國參與的事件中某兩國的雙邊關系，并且傳統預測方法僅預測某兩國雙邊關系的相關數值，從預測出的雙邊關系數值中無法得出造成這一趨勢的影響因素。

針對以上問題，本文考慮國家雙邊關系具有動態性、不確定性等特點，將DBN引入國家雙邊關系預測時，提出了融合事件抽取、時序貢獻度與動態貝葉斯網絡的國家雙邊關系預測方法。以南海爭端問題中我國與其他參與國的雙邊關系為例，驗證了提出方法的可行性。

1 基于EE與TCs-DBN的國家雙邊關系預測方法

參考文獻[5]提出的方法建立事件分值表，構建用于事件抽取的事件模板。當采用DBN進行國家雙邊關系預測時，本文做了兩方面改進：①將事件抽取技術引入事件數據分析法，應用事件抽取技術代替人工提取事件；②由于國家雙邊關系發展變化的時間相關性，本文提出了時序貢獻度(TCs)，通過融合TCs與DBN，提高了預測準確率。

1.1 事件數據分析法

事件數據分析法是國際關系領域中進行定量分析的方法[5]。它從新聞報道、歷史資料等多源信息中提取出對雙邊關系有影響力的相關事件，構建事件數據庫，再通過一定的統計分析方法，嘗試尋找出雙邊關系的變化規律和趨勢[5]。

文獻[5]改進的事件數據分析法是相關學界認可度較高的用于定量衡量國家雙邊關系的方法，其制定了一個衡量中外雙邊關系的分值表，并根據分值表制定了如圖1所示的國家雙邊關系數值標準。由圖1可知，文獻[5]將雙邊關系量化為了對抗、緊張等6種程度。在傳統方法中，預測結果多為數值，為了使結果更加直觀，本文將這6種程度作為預測結果。針對事件數據分析法中人工提取事件效率低下、自動化程度低等不足，本文采用基于規則匹配的事件抽取方法代替人工篩選有價值的事件，以提高效率。

圖1 國家雙邊關系數值標準

1.2 融合時序貢獻度的DBN網絡

由于國家雙邊關系不確定性因素與時序數據中時間片之間關聯性的存在，本文提出了一種計算時間片貢獻度的方法，并將貢獻度與DBN中的節點相融合，通過節點調節減少網絡觀測變量中的不確定性信息，提高整體性能。

(1)時序貢獻度

劉濤等[7]提出了單詞貢獻度(term contribution，TC)，用于篩選數據集中具有表征性的特征詞，但單詞貢獻度僅考慮了其在文本中的重要程度，無法用于時序數據中。針對這一問題，本文提出了時序貢獻度(TCs)，用于計算時序數據在各時間片中的權值，降低不確定性與噪聲數據的干擾，TCs計算步驟如下：

步驟1 對數據庫所有數據進行分詞、去除停用詞等操作，按文獻[7]中方法計算所有單詞的單詞貢獻度TC值；

步驟2 將單詞按TC值進行降序排列，設定閾值x，提取TC值大于x的單詞構建特征集合；

步驟3 將數據庫數據按月劃分，提取每月數據中的特征詞及其頻次(特征詞是步驟2中特征集合中的單詞)，并將當月所有特征詞相加求取平均值作為當月時序貢獻度TCs值。例如，從t月的所有新聞報道中提取了3個特征詞w1、w2、w3，出現頻率分別為3、2、1，設w1、w2、w3的單詞貢獻度分別為TC1、TC2、TC3，則t月時序貢獻度TCst值為

(1)

(2)改進動態貝葉斯網絡

動態貝葉斯網絡就是以概率網絡為基礎，把貝葉斯網絡(Bayesian networks，BN)與時間信息相融合，形成的可以處理時序問題的隨機模型[3,8]。其包含兩個一階馬爾可夫假設與同構性假設，本質就是BN在時間軸上的展開式[9]。假設有T個時間片，有n個隱藏節點和m個觀測節點，計算公式如式(2)所示

(2)

在式(2)中，xij表示第i個時間片的第j個隱藏節點的狀態；yij為觀測值，Pa(yij)為yij的父節點集合[10,11]。

本文將時序貢獻度融入式(2)，提出融合時序貢獻度的動態貝葉斯網絡(TCs-DBN)，本文將雙邊關系信息設置為DBN節點，因貝葉斯網絡具有條件獨立性假設，融合時序貢獻度就是將同一時間片的雙邊關系信息與時序貢獻度權值相乘，即把式(2)變為式(3)

(3)

式中：TCsij表示第i時間片下第j個節點的TCs，同一時間片下所有節點的TCs相同，均為通過i時間片內數據計算得到的貢獻度。

本文使用基于評分搜索的結構學習法學習網絡結構，即給定數據集D，通過學習找出與D最匹配的網絡結構S，使用評分函數來表示“匹配”情況，即用S上的概率表示[12]，如式(4)所示

(4)

其中，θ表示網絡中的參數。

1.3 改進國家雙邊關系預測模型構建步驟

本文所提方法用于預測多國參與的國際事件中某兩國之間的雙邊關系，在所有參與國中尋找出所指定的某兩國雙邊關系進行預測。根據上述算法的介紹，本文所提方法的整體流程可設計為如下步驟：

步驟1 對數據來源進行選擇，并將獲取的可靠數據存入數據庫。從概率論與統計學的角度來說，無需窮盡所有公開數據來源，只要所選數據來源可靠即可[5]。

步驟2 對新聞數據進行預處理，找出所有參與國，并以文獻[5]中的事件分值基準表為基礎，由專家構建本研究所需的事件分值表。

步驟3 根據步驟2構建的分值表定義事件模板，采用基于模板匹配的事件抽取技術將數據集中所有匹配的事件抽取出來存入數據庫，存放字段包括時間、發起者、承受者、事件句、事件所屬類型、事件得分等字段。

步驟4 按月將事件轉化為對應分值，即將當月發生的所有事件的分值相加求平均，獲得當月的事件總分值(若有多國參與，則分別計算兩兩國家之間的事件總分值以及雙邊關系值)，然后將事件總分值轉換為對雙邊關系的影響值。

步驟5 將步驟4中得出的影響值與上個月雙邊關系分值相加，得到當月雙邊關系值(初始月雙邊關系值就是事件總分值)。

步驟6 將當月雙邊關系分值映射到第1.1小節中圖1所示的國家雙邊關系數值標準的各區間內，如兩國雙邊關系分值為-2，則兩國處于“不和”關系。

步驟7 按第1.2節中所述方法計算每月的時序貢獻度TCs值。

步驟8 首先將步驟6所得的前n個月的各參與國兩兩之間的雙邊關系(如無特殊情況，下文所說的“雙邊關系”均指步驟6所得的結果)按時間序列排序，作為節點輸入DBN模型，使用BIC測量機制尋找雙邊關系之間的因果網，在訓練與預測各參與國兩兩之間的雙邊關系時，將步驟7所得的TCs值與DBN相融合，以降低雙邊關系的不確定性，提高準確率。

例如構建中國與美國、日本、菲律賓的雙邊關系預測模型，使用T月預測T+1月，則模型在訓練DBN和預測時輸入格式見表1。第一行告訴DBN輸入時間片個數，節點個數以及節點信息，如“中美_T”表示在T月的中美雙邊關系節點。第二行開始為對應節點的數據，用于訓練DBN模型。預測時，輸入格式與訓練DBN時輸入格式相同，輸出為按表1順序排列的T+1月中國與其他四國的雙邊關系。

表1 DBN輸入格式

所提方法整體流程如圖2所示。

圖2 國家雙邊關系預測流程

2 南海爭端中的國家雙邊關系預測及結果分析

本文以南海爭端為例驗證提出方法的有效性。南海爭端由來已久，是世界上最復雜的島嶼主權與海洋管轄權爭奪戰。近年來，域外大國為謀求自身利益，插手南海事務，侵犯了我國的主權。研究針對南海爭端中我國與其他參與國之間的雙邊關系，可提前制定相應對策維護我國主權。

2.1 雙邊關系預測模型構建

南中國海地理位置特殊、資源稟賦，一直是諸多國家間利益博弈的焦點，但在南海爭端中，相關事件發生的并不頻繁，少則相隔一月，多則相隔數月。因此，根據這一情況和本文所獲取的相關數據量，本文選擇了“月”作為時間片單位(多數相關研究都是以“月”為時間片單位，例如文獻[5])。本文構建T-1、T月數據預測T+1月國家雙邊關系預測模型。選取以“南海”、“十二海里”、“島礁”等為關鍵詞，通過網絡爬蟲技術從新華社、環球網、中新網、人民網等新聞網站采集了2013年至2018年與南海爭端相關的新聞16 407條作為實驗分析數據進行研究。

根據采集數據，由專家定義針對南海爭端的事件分值表，共定義了20大類事件，其中包含了511小類事件。部分事件分值見表2。

表2 南海爭端事件分值表部分內容

根據事件分值表中的事件類型構建事件抽取規則模板。因為主客體及觸發詞在句子中的表達方式存在多樣性，本文定義了603個事件抽取匹配規則，對于給定任意包含511小類事件的事件句，均有唯一的事件類型與之對應。將新聞數據按條輸入，進行事件抽取后，輸出對應事件句、時間、發起者、承受者、事件類型、事件得分等內容，并存入數據庫。從16 407條新聞中總共匹配出35 667個事件，匹配模式見表3。其中，source表示事件句中的發起者，target表示事件句中的承受者。

表3 事件匹配模式

根據事件抽取結果，分別將中國與其他七國的雙邊關系計算出來。例如，計算中日雙邊關系時，從已經抽取好的35 667個事件句中篩選出發起者和承受者是中國與日本的事件，將篩出的事件按月劃分，先按步驟4獲取每月事件總分值，再按步驟5獲取當月雙邊關系得分，最后按步驟6獲取中日每月雙邊關系。

按步驟7提取特征單詞，經過多次嘗試，提取經過降序排列的前130個單詞構建特征集效果較好，部分特征單詞及其貢獻度見表4。

表4 部分特征詞及其貢獻度

按步驟8以2013年1月至2017年12月數據訓練DBN，學習網絡結構。為保證學習效率和網絡質量，本文限制每個節點在上一時間片中的父節點數目最多為1。將訓練數據按表1所示格式輸入DBN，采用評分搜索法搜索最佳網絡結構圖。融合每月的TCs值計算節點間轉移概率，獲得TCs-DBN模型。最終獲得的因果網絡結構如圖3(a)所示。還原圖3(a)中各國之間因果關系如圖3(b)所示。從圖3可以看出，學習出的因果關系網具有一定的合理性。例如，中日沖突行為除了受到上一時間片中日沖突行為對其影響外，還受到了當前時間片中美沖突的影響，這與實際是相符合的，因為日本在南中國海做出的行為大多數是為了響應美國，但是該因果關系網也具有不足之處，比如中俄沖突行為未學習到上一時間片中俄沖突行為對其的影響。為了進一步說明圖3，本文在2.2節中對部分結果進行了詳細分析。

圖3 DBN所學各國雙邊關系因果

加載TCs-DBN模型，預測2018年1月至10月的中國與其他七國的雙邊關系。按表1格式輸入T-1、T月中國與其他七國雙邊關系，輸出T+1月中國與其他七國雙邊關系，最終整體預測準確率為75.7%，詳細結果見表5。其中，-3、-2、-1、1、2、3分別表示對抗、緊張、不和、普通、良好、友好。

表5 中國與其他七國雙邊關系預測結果

為驗證TCs-DBN，本文保持所有條件相同，用DBN進行了預測，整體準確率為68.65%，預測結果對比圖如圖4 所示。由圖4可知，本文TCs-DBN比DBN預測準確率高，但在某些節點，如CHN、PHL并沒有提升，原因可能是在TCs-DBN中并未對因果網絡的學習進行改進，雖然某些節點的不確定性因素得到了調整，但網絡中不健全的因果關系導致預測精度在某些節點中無法提高。在概率轉移路徑中，中美雙邊關系條件概率表見表6。由表6可知，中美雙邊關系在上一時間片的雙邊關系程度值延續到下一時間片的概率值最大，這說明了中美雙邊關系是較為穩定的，從數據中也可以看出中美雙邊關系一直處于對抗狀態，較為穩定。但由這種較為穩定的數據訓練出來的模型也有缺點，當中美關系發生突變時，模型無法預測。由于中國與其它國家雙邊關系的條件概率表數據較多，這里不再羅列。

表6 中美雙邊關系條件概率

圖4 TCs-DBN與DBN預測對比

考慮到不同時間片的事件可能對預測結果產生不同的影響，本文又分別構建了T月數據預測T+1月和T-2、T-1、T月數據預測T+1月的國家雙邊關系預測模型，得到預測準確率分別為58.6%、67.1%。由結果可知，采用兩個月進行預測時準確率最高，采用一個月預測時準確率最低。造成這一結果的原因可能是T+1月的國家雙邊關系不光受到T月事件的影響，T-1、T-2甚至T-n(n>2) 月發生的事件都會對其產生影響，但采用T-2、T-1、T月數據進行預測時準確率卻沒有采用T-1、T月數據進行預測的準確率高，這一結果說明了新聞的時效性，越早的新聞影響因子可能越小，甚至會起到干擾作用。

2.2 結果分析

由圖3(b)可知中美雙邊關系僅受上一時間片中美雙邊關系的影響，中日雙邊關系受到了上一時間片中日雙邊關系和同時間片中美雙邊關系的影響。同時，中菲雙邊關系也受到了上一時間片中菲雙邊關系和當前時間片中美雙邊關系的影響。針對該結果，本文畫出了中美、中日、中菲雙邊關系對比折線圖如圖5所示，并進行了分析。

圖5 中美、中日、中菲雙邊關系分值折線

從圖5(a)可以看出中美雙邊關系與中日雙邊關系的走勢十分相似。查閱資料得知，日本對南海爭端的介入與美國的態度相關。例如，資料中顯示，2015年以來美國把有爭議的島嶼納入其監視偵察的范圍，隨后，日本將自衛隊加入美軍在南中國海上空的巡邏[13]。種種類似事件導致了中日雙邊關系曲線跟中美雙邊關系曲線十分相似。

從圖5(b)可以看出2013年1月至2015年7月中菲雙邊關系處于對抗狀態，資料顯示，2012年美菲舉行會談，美國支持菲律賓發起仲裁案；2013年1月，菲律賓提起針對中國的仲裁[14]。這是導致2013年至2015年中菲處于對抗關系的主要原因。2015年下半年中菲雙邊關系開始回升，并在2016年達到友好狀態，這也與相關資料記載的事實相符合。

由以上分析可知，中日、中菲雙邊關系確實受到了美國的影響。本文又對圖3(b)中其他關系進行了分析，所得結論與實際情況大致相符。所以，DBN學習到的因果網絡對制定合理的戰略決策有一定參考意義。

從表5可知，在10個月的預測中，中美、中日、中菲、中越、中俄雙邊關系預測效果良好，說明DBN能有效對國家雙邊關系進行預測。中印、中澳雙邊關系預測準確率較低，這可能是由于相關事件數據較少，導致學習到的網絡不完善。中印、中澳雙邊關系還可能受到了其他國家的影響，因果網中這一影響的缺失可能是導致中印、中澳雙邊關系預測準確率較低的原因，并且由圖3可以看出，DBN也沒有學習到中俄雙邊關系在不同時間片間的聯系。

總體而言，該方法在南海爭端中整體預測效果良好，驗證了方法的有效性，結合學習出的因果網，可制定合理的戰略計劃，為引導雙邊關系的發展提供參考。

3 結束語

本文構建了基于EE與TCs-DBN的國家雙邊關系預測模型來預測未來一個月的國家雙邊關系，根據TCs-DBN學習到的因果網與預測結果，可以提前制定合理的戰略應對雙邊關系變化帶來的影響以及引導雙邊關系的變化趨勢。以南海爭端為例，本模型學習到了合理的中國與其他七國雙邊關系的因果網，并能夠有效預測未來一個月中國與其他7個參與國的雙邊關系，驗證了本模型的有效性。但TCs-DBN學習的因果網未能體現出所有的因果關系，導致部分雙邊關系的預測準確率偏低。在今后研究中，可以優化DBN網絡結構的學習方法，以提高預測準確率。