面向海上軍事應用的知識圖譜智能推薦方法?

佟立飛

（92493部隊 葫蘆島 125000）

1 引言

隨著現代科技和軍事的發展，海軍指控領域可以通過衛星獲取到海上態勢圖像，通過無人機獲得海上態勢視頻、艦載雷達信號、海上艦艇通信信號等信息，涵蓋了大量的圖像、視頻、網絡和雷達信息［1～5］，這些多源異構數據使得海上軍事指控領域內呈現出數據爆炸的趨勢，如何在龐大的數據中找到海上軍事指控領域人員所需的信息是目前需要解決的問題。

智能推薦也叫個性化推薦，通過獲取用戶關注、購買商品的信息形成用戶畫像，從而根據用戶畫像為用戶推薦有可能喜歡的商品或商品的信息。知識圖譜通過知識表示、知識抽取、知識存儲、知識融合、知識推理等方法將海量數據進行統一的表示和組織，從而使得網絡上紛繁復雜的各種結構和形式的數據變成計算機可以理解的知識庫，從而形成語義網絡，最后得到知識圖譜。知識圖譜匯集各類數據、建立數據間的關系、同時保留豐富的語義信息，可以通過推理的方法挖掘出數據中隱含的信息［6］。領域知識圖譜則根據領域特點，構建表達領域內知識結構的領域本體，在領域本體的基礎上可以構建出知識準確度更高的領域知識圖譜。

使用基于知識圖譜的智能推薦可以提高數據的關聯度和準確度，可以提高海上軍事指控領域人員信息的準確度得到更加準確的用戶畫像，也可以加強海上軍事指控領域人員與海上軍事領域信息之間、海上軍事指控領域人員與人員之間、海上軍事指控領域信息與信息之間的關聯度，從而提高智能推薦的準確度，增大智能推薦的范圍，使智能推薦擁有更加智能的效果，實現在龐大復雜的海上軍事指控領域數據中精準找到有效的信息，并將這些信息推薦給需要或有可能需要這些數據信息的海上軍事指控領域人員。

2 相關工作

國內外學者對商用信息推薦技術進行了研究分析。Ali F等［7］將社交機器人領域使用了智能推薦技術，使用該技術為輸入的問題推薦答案，實現了人機交互的智能問答功能；文俊浩等［8］對標簽語義進行了研究，通過改進潛在Dirichlet分布建模的方法改進了推薦算法，從而提高了推薦準確度；崔金棟等［9］通過建立融合的智能推薦信息模型，提高了基于社交軟件的智能推薦信息的質量；李浩君等［10］通過基于情景感知進行建模和使用自定義規則推理的方法，實現了在移動網絡下對移動設備信息的個性化推薦；張興旺［11］通過對圖書館知識信息搜索所涉及到的智能推薦信息服務進行分析，提出了信息智能推薦業務鏈，從而提高了知識檢索的質量和速度。CA-MRS情景感知音樂推薦系統通過融合模糊系統、貝葉斯網絡和效用理論的方法實現了根據情景推薦適合該情景的音樂的功能［12］。

3 融合知識推理與協同過濾的智能推薦方法

本文在海上軍事知識圖譜的基礎上采用融合知識推理與協同過濾的方法來實現智能推薦。協同過濾（Collaborative Filtering，CF）算法是一種應用范圍最廣、應用時間最長的推薦算法［13］。目前基于知識圖譜的智能推薦系統有很多，大多數都是針對開放性的網絡數據進行研究，但是基于開放知識圖譜的數據對于領域來說準確度較低，所以本文考慮到各個領域間數據量、數據內容、數據特點的不同，提出采用基于規則的知識推理方法與協同過濾的方法相融合的方法來進行智能推薦。首先構建基于本體模型的海上軍事知識圖譜，然后提出海上軍事知識圖譜中的領域人員相似度計算方法和領域信息相似度計算方法，根據相似度計算結果為海上軍事知識圖譜中的領域人員節點之間和信息節點之間建立強關聯，最后根據領域人員節點和領域信息節點之間的強關聯關系制定知識推理規則從而達到智能推薦的效果。

3.1 構建海上軍事知識圖譜

使用海上軍事領域內的專業數據和數據間的關系，抽象出海上軍事領域內的概念、概念的屬性和概念間的關系，構成海上軍事領域本體模型。使用Protégé工具對海上軍事領域內的概念進行定義，并為概念增加屬性，添加概念間的關系，形成的海上軍事領域本體模型，本體模型中部分概念如圖1所示。

圖1 海上軍事領域本體模型

在海上軍事領域本體模型的基礎上構建海上軍事領域知識圖譜，將海上軍事領域內的數據映射到海上軍事領域本體模型的概念和概念的屬性上，將海上軍事領域內數據間的關系映射到海上軍事領域本體模型概念間的關系上。最后使用ECharts技術對海上軍事領域知識圖譜進行可視化展示，如圖2所示。

圖2 海上軍事知識圖譜可視化展示

3.2 建立海上軍事領域人員、信息間的強關聯

3.2.1 計算海上軍事領域知識圖譜中的用戶相似度

對海上軍事領域知識圖譜中用戶間的屬性值進行相似度計算，將每個用戶看作是一個向量，通過計算向量間的余弦值得到用戶間的相似度。定義用戶為U，

用戶間的相似度計算公式如下所示：

為海上軍事領域知識圖譜中的每個用戶計算其與其他用戶間的相似度，得到該用戶與其他用戶的相似度表，定義用戶的相似度表為Lu。

對得到的用戶相似度表的相似度值進行從大到小的排序后就可以通過用戶的相似度用戶表分析得到與用戶較為相似的其他用戶。設定用戶間的相似度閾值VU，當兩個用戶的相似度值大于VU時，為兩個用戶間建立一條表示強關聯的關系。

3.2.2 計算海上軍事領域知識圖譜中的信息相似度

在海上軍事領域知識圖譜中，每條信息都是圖譜中的一個擁有很多屬性的實體，對信息實體進行相似度計算，定義信息為M。

首先計算信息間的余弦相似度，公式如下所示：

然后計算信息節點間在海上軍事領域知識圖譜間的距離，步驟如下：

1）定義每個節點D的值WD為這個節點子節點的個數Sum（D）。

2）兩個信息節點間的距離Dis(MA，MB)為它們間的路徑距離k和它們路徑上所有節點｛D｝的值｛WD｝，兩個信息節點間距離計算公式如下所示：

最后計算信息節點間的相似度SIM(MA，MB)，將信息的余弦相似度simi(MA，MB)與信息節點的距離Dis(MA，MB)相乘得到兩個信息節點的相似度，公式如下所示：

為了減少計算量，提高信息相似度計算的效率，對SIM(MA，MB)公式進行優化，優化后的公式如下所示：

通過對信息節點的相似度計算，得到每個信息節點的相似信息節點列表，設定信息節點間的相似度閾值VM，當兩個信息節點的相似度大于閾值VM時，為兩個信息節點增加一條強關聯的關系。

3.3 智能推薦

1）為用戶推薦新的海上軍事領域信息

計算海上軍事領域知識圖譜新增的信息節點與其他信息節點的相似度，得到該信息節點的相似信息節點列表，在海上軍事領域知識圖譜中找到與列表中大于相似度閾值VM的信息節點有關聯的用戶節點，為新增的信息節點與這些用戶節點間建立弱關聯，將新信息節點推薦給這些用戶節點，再將該新增信息節點推薦給與該用戶節點有強關聯關系的用戶節點。

2）為新的用戶推薦推薦海上軍事領域信息

當海上軍事領域知識圖譜中出現新的用戶節點時，因為沒有與該用戶有關的信息節點，所以根據用戶的屬性與海上軍事知識圖譜內的其他用戶節點計算相似度，為新的用戶推薦相似度閾值大于VU的其他用戶節點有關聯的信息節點。

3）建立智能推薦知識推理規則

使用SWRL語言建立海上軍事領域知識圖譜中為用戶推薦信息的知識推理規則：

通過建立SWRL推理規則，為海上軍事領域知識圖譜中的用戶節點和信息節點間建立聯系，從而實現根據指揮員已關注的信息為其推薦有可能想要關注的信息。

4 實驗結果

由于目前海上軍事領域數據保密性高，本文以經過脫密處理的部分數據為例，使用提出的面向海上軍事應用的融合知識推理與協同過濾方法的知識圖譜智能推薦方法，為海上軍事領域知識圖譜中的領域用戶節點推薦領域信息。

首先根據海上軍事知識圖譜中用戶關注的信息類別得到用戶關注列表，再計算領域內新增的信息資源與用戶關注的信息資源地相似度，設定當資源相似度高于70%時將該資源推薦給用戶。如圖3所示，用戶1關注了態勢、武器狀態、綜合海情三個類別的信息資源，則使用公式：

圖3 海上軍事知識圖譜領域信息智能推薦結果

計算領域內新增的信息資源與用戶關注的這三個類別下的信息資源的相似度，將相似度高于70%的新增信息資源推薦給用戶1，得到推薦列表為某海域海情信息、某地區態勢信息、某部隊傳感器使用情況、某艦艇武器裝載情況、某艦艇某日武器狀態和某海域武器分布情況（信息資源名稱已經過脫密處理）。用戶1可以根據推薦列表，選擇是否對新增的信息資源進行關注。

5 結語

本文考慮到海上軍事領域數據的獨特性，提出了融合基于規則的知識推理與協同過濾的方法來實現面向海上軍事應用的知識圖譜智能推薦。該方法通過計算海上軍事知識圖譜中的領域人員相似度和領域信息相似度的方法，為海上軍事知識圖譜中的領域人員節點之間和信息節點之間建立強關聯，最后根據領域人員節點和領域信息節點之間的強關聯關系制定知識推理規則從而達到智能推薦的效果。實驗結果表明該方法可以有效地為用戶推薦領域信息。