基于知識圖譜的戰略智能體BDI模型

李童心, 王維平, 王 濤, 李小波

(國防科技大學系統工程學院, 湖南 長沙 410073)

0 引 言

戰略是研究軍事力量運用與建設全局性指導規律的理論,隨著人類對軍事力量運用與建設指導規律認識的逐步深化而不斷發展。戰略的基本成分包括戰略目標、戰略方針和戰略手段[1]。戰略目標是國家為了實現總的政治目的而對軍事斗爭提出的基本要求,是在一定時期內軍事斗爭的基本指向和全局上所要達到的最終結果,主要是解決“做什么”的問題;戰略方針是指導軍事斗爭和軍事力量建設全局的總綱領、總原則,主要解決“怎么做”的問題;戰略手段是實現戰略目標的力量及其作用方式,主要解決“用什么做”的問題,即用什么進行軍事斗爭和怎樣進行軍事斗爭,是戰略指導者根據戰略目標和戰略方針的要求,使用軍事力量,開展軍事斗爭的具體行動。從很大程度上來講,戰略是目標和手段的統一,戰略手段是戰略研究中最為重要的內容。沒有戰略手段的戰略是不存在的,也是毫無意義的,戰略目標和戰略方針規定戰略行動的目標、方向、綱領和準則,以及實現目標的基本途徑,但還不是行動本身,只有通過戰略手段,才能將其付諸實施,使其得以貫徹落實。如何系統、有效地刻畫、建模分析和評估對手的戰略,是軍事戰略指導需要關注的重點,是新形勢下的軍事力量建設與運用的重要參考,也是值得研究的重要問題。

戰略目標的實現需要相關建設項目來支撐:① 科技和人才是打贏信息化戰爭的關鍵,建設項目是發展科技、培養人才的重要手段,項目投資可以直接反應對手對相關領域的重視程度;② 一方面，項目投資是對手戰略目標的重要體現,另一方面，對手的戰略目標也需要通過投資相關項目付諸實施;③項目投資涉及到政治、經濟、地理、科技、外交、文化等相關領域,有利于系統、宏觀地研究對手戰略目標;④ 和平與發展仍然是當今時代的主題,特別是對我國而言,雖同對手在諸多領域進行激烈斗爭,但并未有任何軍事或戰爭行動,直接通過軍事行為研究對手戰略目標素材較少。故本文將對手的項目投資視為其戰略手段,并建模、分析和評估建設項目與戰略目標的關系。

在新形勢下,軍事戰略研究涉及的空間和領域越來越廣,關注的問題越來越多,雖然有海量的數據,但是存在數據利用難、組織難的問題。同時,隨著對戰略目標研究的深入,對科學性、時效性的要求也越來越高,但是傳統的研究方法和手段比較單一,大都以定性分析、主觀判斷為主,定量分析、檢驗手段少,并且很少有研究把戰略目標與建設項目結合起來進行分析,缺少項目和戰略目標分析的統一框架[2]。如何對戰略目標與建設項目數據進行有效的組織、挖掘和關聯,并分析建設項目與戰略目標的關系，是一個重要問題。

本文創新性地提出了戰略智能體信念-愿望-意圖(belief-desire-intention， BDI)模型作為研究建設項目與戰略目標的邏輯框架,采用知識圖譜存儲建設項目和戰略目標的相關知識,最終用知識圖譜推理等技術實現戰略智能體BDI模型,為戰略目標與建設項目預實踐研究提供了一種新思路。本文首先提出戰略智能體BDI模型框架,然后介紹知識圖譜技術在建設項目和戰略目標研究中的應用,最后詳細介紹知識圖譜相關技術在戰略智能體BDI模型中的應用,研究建設項目與戰略目標的關系。

1 戰略智能體BDI模型

1.1 BDI模型

本文提出戰略智能體BDI模型的思想來源于BDI模型[3]。BDI概念的哲學觀點源自Bratman,這一模型的特點在于通過簡單的形式,較清晰地揭示人類自主體的結構。從構成上說,自主體是信念、愿望、意圖的三元組(B、D、I)。從過程上說,自主體完成它的推理要經過如圖1所示的階段[4]。

圖1 BDI模型框架Fig.1 BDI model framework

由圖1可知,自主體在得到感知的環境信息后,基于已有信念,通過信念修正函數,形成新的信念集合。自主體的選擇生成函數基于已有的信念,形成相應的愿望。自主體的過濾函數,根據當前的信息、愿望和意圖,確定新的意圖,以便在多種可能行為中做出選擇。最后,自主體借助行動選擇函數,根據意圖確定接下來要執行的行動[5]。

1.2 戰略智能體BDI模型框架

將BDI模型的思想引入到建設項目和戰略目標的研究中,本文提出了戰略智能體BDI模型框架,與BDI模型從信念、愿望到意圖的自頂向下的分析思路不同,本文提出的是從項目、體系、能力到目標的自底向上的分析邏輯框架[6],如圖2所示。其中,戰略目標的實現以軍事方面的能力為核心,同時包括政治、經濟、地理、科技、外交、文化等相關領域在內的綜合能力。這種能力既可以是現實能力,也可以是潛在能力;既可以是硬實力,也可以是軟實力。其作用方式,既可以是戰爭行動,也可以是非軍事行動，既可以通過威懾,也可以通過實戰。能力的實現需要相關體系來保障,不同的體系組合形成能力。而一個體系是由相關建設項目構成的,多種項目支撐起體系構建。通過項目-體系推理機,可以推理出建設項目的所屬體系類別;通過體系-能力推理機,可以推理出不同體系組合構成的能力;通過能力-目標推理機,可以從當前能力建設推理出戰略目標。

圖2 戰略智能體BDI模型框架Fig.2 Strategic agent BDI model framework

戰略智能體BDI模型把項目和戰略目標放在了統一框架下進行分析,提出了從項目、體系、能力到戰略目標分析的邏輯框架,本文在第2節引入信息抽取和知識圖譜技術,以此實現所提的模型。

2 知識圖譜技術

知識圖譜技術的發展為研究建設項目與戰略目標帶來了契機。知識圖譜是一種知識表示形式[7],知識表示是對人類知識或現實世界事實的形式化建模[8],有效的知識表示方法能夠實現知識從人類可讀到機器可讀的轉換[9],能夠支持數據的查詢、擴展、融合、關聯和推理[10]。合理的知識表示不僅使問題更容易解決,而且具有更高的效率[11]。

通過構建知識圖譜,可以自動化地從非結構化數據中抽取實體、關系等結構化知識[12-14],將知識圖譜引入到建設項目與戰略目標的研究中，可以有效解決目前的困境。首先，知識圖譜的模式層可以有效表示領域專家知識[15],這部分知識定義并約束了實例層數據,同時可以作為先驗知識,指導信息抽取和后續的其他任務[16-18]；其次，知識圖譜可以系統化地建模各領域的知識,并將眾多領域知識表示在統一的框架之下,同時也能將戰略研究關注的眾多問題置于統一的框架下進行分析研究,有利于系統、全面地分析對手建設項目與戰略目標的關系[19]；再次，知識圖譜建模的是結構化、機器可讀的知識,有利于知識的快讀檢索、知識共享和知識關聯分析；最后,由于各建設項目往往是孤立存在的,通過知識圖譜推理等技術可以進一步挖掘建設項目間的潛在關聯關系。同時，知識建設項目的屬性、關聯關系等信息可能存在錯誤,通過不同數據源間的關聯驗證和知識糾錯技術，可以發現并糾正知識圖譜中的錯誤信息,為研究建設項目與戰略目標的關系提供更加豐富、準確、完整的信息[20-22]。

本文的主要研究基于知識圖譜的推理機實現。為了提高知識圖譜的推理效率,本文引入知識圖譜嵌入技術,也稱為知識表示學習,將知識圖譜中包含的實體和關系嵌入到連續的向量空間中,從而在保持知識圖譜內在結構和信息的同時簡化操作,提高計算效率，可以用于知識圖譜補全、關系提取、知識推理等各種下游任務,得到了廣泛的關注。隨著知識規模的不斷擴增,傳統的資源描述框架(resource description framework,RDF)知識表示方法難以應對大規模知識的表示問題。因此,為了更好地表示知識的特征,本文需要利用知識表示學習技術來表示知識的潛在特征。

在描述知識表示學習相關技術之前,本文首先對知識表示技術中的相關符號進行說明。其中,G表示一個知識圖譜；E和R分別表示實體和關系集合；T表示三元組集合；ei表示實體集合中的第i個實體,rj表示關系集合中的第j個關系。除此之外,ei也可以根據實體在知識圖譜三元組中的位置分為頭實體h和尾實體t；τ=(e1,r,e2)或者τ=(h,r,t)表示一個三元組；ei和rj分別表示實體和關系的低維向量(矩陣)；de和dr分別表示實體和關系空間的維度,|E|和|R|表示實體關系集合的長度。

定義 1(知識圖譜嵌入)給定一個知識圖譜G=(E,R,T),知識圖譜嵌入可以表示為一個步驟映射f:ei→ei∈Rde,rj→rj∈Rdr。其中，de?|E|,dr?|R|。

在知識嵌入模型中,最關鍵的就是設計映射函數f,進而可得到更好的實體關系潛在特征。一般而言,知識圖譜的嵌入主要基于知識圖譜中已經存在的三元組,也有一些方法需要用到知識圖譜中的屬性、文本描述等信息。給定一個知識圖譜,知識圖譜的嵌入首先需要將實體和關系表示成低維空間的連續向量,然后定義一個得分函數來評估這個三元組成立的概率,最終實體和關系的嵌入可以通過最大化全局概率獲得。目前,知識圖譜嵌入的方法主要分為3類:基于平移的距離模型[23-26]、基于張量分解模型[27-28]和基于神經網絡的模型[29-34]。除此之外,在這些方法的基礎上,還有一些模型利用圖譜中的輔助信息來進一步增強知識圖譜嵌入[35-37]。

通過將知識圖譜及其推理技術引入到建設項目數據和戰略目標的研究中,再結合戰略智能體BDI模型,可以有效解決新形勢下戰略研究面臨的挑戰。然而,本文構建的建設項目與戰略規劃領域的知識圖譜是特定領域知識圖譜,相較于開放領域知識圖譜,存在較大的差異,尤其表現在建設項目涉及的諸多因素存在較大的不確定性,包括對預測和估算的各項投入、產出數據的不確定性以及項目間關聯關系的不確定性等。傳統的知識圖譜無法表示數據間的不確定信息,本文對知識圖譜中的每個三元組賦權重,即置信度分數,表示三元組成立的可能性,稱其為不確定知識圖譜。本文研究的推理機主要針對建設項目與戰略規劃領域的不確定知識圖譜進行推理。

3 基于知識圖譜的戰略智能體BDI模型

本文經過前期的調研,得到了美國戰略和預算評估報告、美政府問責局審計報告、蘭德公司戰略研究報告等公開的評估案例數據,其中包含了大量的表格數據、網頁數據與文本報告。經過數據預處理,本文獲取了對方的國防建設項目經費投入投向等結構化數據、對各個項目詳細描述的半結構化數據,以及相關戰略與能力評估報告的文本類數據?；谶@些數據,本文提出基于知識圖譜的戰略智能體BDI模型框架,形成從建設項目到戰略目標的一體化分析流程,最終得到相對完善的國防建設項目-戰略目標圖譜,如圖3所示。

圖3 基于知識圖譜的戰略智能體BDI模型框架Fig.3 Strategic agent BDI model framework based on knowledge graph

3.1 三類知識圖譜

國防建設項目圖譜用來表達對手項目預算在各重大戰略領域的實際投入分布情況。具體而言,國防建設項目圖譜以項目為中心,包含眾多概念、關系和屬性的領域知識圖譜。其基于這樣的假設:對手在某戰略領域的投資預算越大,則在該領域的戰略意圖越明顯。因此,關聯分析不同戰略領域的項目預算分布,可為感知、識別和判斷對手戰略意圖提供重要基礎和參考。國防建設項目圖譜構建是領域知識圖譜,主要包括項目本體建模和項目圖譜構建,與一般的開放領域知識圖譜(采用自底向上的方式構建)不同,通常采用自頂向下的方式構建,包括模式層(用本體表示)和實例層。模式層由領域專家參與構建,表達了國防項目投資分析領域內廣泛認可的知識和公理,定義了領域內概念分類體系、關系、屬性、數據類型和知識邊界,同時嚴格定義和約束了實例層數據,是國防建設項目圖譜的重要組成部分。實例層由大量的國防項目投資實例數據組成,比如國防經費投入投向數據等。

戰略評估圖譜以戰略目標和能力建設為中心,用來表達和刻畫戰略目標間的關聯關系，以及戰略目標與其支撐項能力建設的關聯關系。這些關聯關系可能是間接的、隱式的,需要通過關聯分析和知識推理的方式獲取。戰略評估圖譜也是領域知識圖譜,其構建過程與國防建設項目圖譜類似,不同之處在于構建戰略評估圖譜的數據源為文本類非結構化數據,需要從中抽取出需要的實體和關系知識。

國防建設項目-戰略圖譜是由上述兩類知識圖譜經過融合后得到的知識圖譜。

3.2 推理機

推理機是指一系列的推理規則和推理算法的有機組合。為了提高建設項目知識圖譜的推理效率,需要將知識圖譜中的實體和關系表示到向量空間,但是直接將針對開放領域知識圖譜的表示學習方法用于建設項目知識圖譜的向量化會存在很多缺陷:一方面,當前知識圖譜嵌入主要研究的是基于確定性知識圖譜的表示學習,對不確定知識圖譜嵌入的研究很少,而本文采用置信度分數表示每個三元組的可靠性程度,包含了豐富的背景知識,將其引入到知識圖譜的表示學習中至關重要;另一方面,本文構建的知識圖譜是領域知識圖譜,其背后隱藏了大量的規則知識,大多數現有方法僅基于事實三元組執行嵌入任務,針對其中包含的邏輯規則并未進行深入研究。而邏輯規則包含了豐富的背景知識,對下游的知識圖譜推理應用具有重要價值?，F有的知識表示學習方法較少地全面考慮不確定性和圖譜背后的邏輯規則,將這些方法直接用于本文構建的知識圖譜的表示學習，會導致大量先驗信息的損失,進而對后續推理任務產生不利影響。

針對以上問題,本文參考文獻[38]提出的不確定知識圖譜的嵌入方法,提出融入權重和邏輯規則的建設項目領域知識圖譜表示學習方法,在知識表示學習的過程中同時考慮權重信息,并把邏輯規則嵌入到學習模型當中,以保證在向量化的過程中損失的信息更少,提高下游推理的準確性。

3.2.1 嵌入權重信息

首先,考慮利用每個三元組的權重信息,本文建立嵌入模型的三元組置信度得分,并把每個三元組訓練得到的權重與其真實值進行比較。一個三元組的可信度定義如下。

定義 2(可信度)給定一個關系事實三元組l,可信度g(l)∈R表示這個關系成立的可能性。可信度可被視為是未被標準化的置信度得分s,其值的大小代表了s的大小。

給定一個三元組l=(h,r,t),其相應的嵌入向量為h,r,t,參考TransE模型[39]基于距離的思想和DistMult模型[40]基于語義相似度的思想,本文建模了兩種可信度函數:

(1)

g(l)=r·(h°t)

(2)

為了把可信度轉換為置信度得分,采用轉換函數φ(·)把g(l)映射到置信度得分f(l)。

f(l)=φ(g(l)),φ:R→[0,1]

(3)

本文考慮了兩種映射函數:一種是采用邏輯函數,一種采用線性有界函數。

(4)

φ(x)=min(max(wx+b,0),1)

(5)

3.2.2 嵌入邏輯規則

為了更好地評估置信度得分,應該充分利用知識圖譜中存在和不可見的關系事實。為了更合理地評估不可見的關系事實的置信度,本文充分利用知識圖譜背后包含的規則信息,采用概率軟邏輯把邏輯推理嵌入到模型當中。邏輯規則是由規則頭和規則主體以head←body的形式定義的。規則頭是一個原子,例如一個頭實體或尾實體可變的三元組,其規則主體通常是原子的集合。例如:

(A,similarTo,C)←
(A,similarTo,B)∧(B,similarTo,C)

(6)

式(6)是一條非常簡單的傳遞性規則,其語義是,如果項目A與項目B是相似的(研究類似的問題),項目B與項目C是相似的,那么可以推理出項目A與項目C是相似的,來進一步補全實體A和C之間的關系。規則推理具有很好的解釋性和準確率,本文的規則來源主要有兩個方面:首先,針對建設項目領域知識圖譜,可以通過領域專家的先驗知識,采用人工的方式構建;另一方面,通過規則挖掘系統基于不完備知識庫的關聯規則挖掘算法,是利用知識圖譜中的頻繁模式挖掘規則的方法。由邏輯規則可以產生基本規則,即規則頭和規則體中的三元組包含的是具體的實體。

與布爾邏輯不同,概率軟邏輯將每個三元組與區間為[0,1]的軟真值關聯起來,這與本文中的置信度分數相對應,使模糊推理成為可能。把軟真值的賦值過程稱為解釋,本文把三元組l的軟真值解釋為I(l)。對于知識圖譜中已經存在的關系事實,其置信度得分也存在;對于看不見的三元組,可采用前面定義的基于嵌入的置信度得分函數:

I(l)=sl,l∈L+

(7)

I(l)=f(l),l∈L-

(8)

式中:L+表示知識圖譜中可觀測到的三元組集合；L-表示知識圖譜中不可見的三元組集合；sl表示已有三元組的置信度分數。

l1∧l2=max{0,I(l1)+I(l2)-1}

(9)

l1∨l2=min{1,I(l1)+I(l2)}

(10)

(11)

pγbody→γhead=min{1,1-I(γbody)+I(γhead)}

(12)

當規則頭I(γhead)等于或高于其規則體I(γbody)時,此規則γ才是合理的。定義基本規則與達到合理性的距離如下:

dγ=1-pγ=max{0,I(γbody)-I(γhead)}

(13)

對于知識圖譜中不可見的關系三元組l=(h,r,t)∈L-,定義基本規則γ0:

(14)

則

dγ0=f(l)

(15)

3.2.3 定義損失函數

最后,本文把置信度得分信息與邏輯推理同時嵌入到損失函數當中,訓練最優化函數,得到最終的實體和關系的嵌入向量。

首先,要計算知識圖譜中可見的關系事實的損失,設L+是知識圖譜中可見的關系事實集,目標是最小化真實的置信度得分sl與預測得分f(l)之間的均方誤差:

(16)

其次,不可見關系事實的損失為

(17)

式中:Γl表示三元組l作為規則頭的基本規則集;ωγ表示規則γ的權重。

最后,得到聯合目標損失函數為

(18)

本文給出了兩種可信度函數和兩種映射函數,可以組合出4種不同的模型。通過最優化聯合目標損失函數,得到4種模型最優的實體和關系的向量表示,通過不同的評估指標,可以選擇最終的知識圖譜，將其嵌入向量，以實現推理。

3.3 3種推理機

基于知識圖譜的戰略智能體BDI模型重點研究了基于知識圖譜相關技術實現項目-體系推理機、能力-目標推理機以及體系-能力推理機。

項目-體系推理機從國防經費投入投向等結構化數據出發,通過本體建模(主要包括項目編號、項目簡短描述、年份、類別、研發需求經費、白宮授權經費、參議院授權經費、國會變更經費和國會授權經費等項目信息)和圖譜構建,構建國防建設項目圖譜;再從相關項目信息的半結構化數據中抽取出有關項目體系的文本信息,人工提取與領域體系相關的特征,基于此對單個項目進行分類,找出各個項目對應的體系類別,并通過實體鏈接技術加入到項目圖譜中。項目-體系推理機的實現重點在于基于知識圖譜技術對項目進行分類,使數據從項目層鏈接到體系類別信息。

能力-目標推理機從相關戰略與能力評估報告的非結構化數據出發,通過實體和關系抽取、多源數據融合、圖譜構建、知識圖譜內部的補全和推理等,構建戰略評估圖譜。能力-目標推理機直接從文檔報告中,通過一系列知識圖譜構建技術,把能力與戰略目標映射起來。能力-目標推理機的實現重點在于從文本中聯合抽取能力與戰略目標實體,并將其鏈接到知識圖譜中。

體系-能力推理機是對已構建的兩類知識圖譜進行知識圖譜融合[41-42]、知識圖譜質量提高、知識推理[43]，最終得到國防建設項目-戰略圖譜。體系-能力推理機可實現最終的目的,完成從建設項目到戰略目標的映射,并且可以用項目知識圖譜補全戰略目標的缺失信息。更進一步,利用項目信息對戰略目標中的錯誤信息進行修正,完善國防建設項目-戰略目標圖譜建設,為新時期制定對等或反制對手的軍事戰略方針提供重要參考和指導。體系-能力推理機的實現重點在于兩類知識圖譜的融合機制,本文通過人工設計戰略領域體系與建設能力的對應關系,對項目和戰略圖譜進行融合，最終得到的國防建設項目—戰略知識圖譜，如圖4所示。

圖4 國防建設項目-戰略知識圖譜Fig.4 National defense construction project-strategic knowledge graph

4 結 論

本文采用信息抽取和知識圖譜技術挖掘和存儲建設項目和戰略目標的相關知識,基于建設項目-體系-能力-戰略目標的一體化分析流程,創新性地提出了基于知識圖譜的戰略智能體BDI模型,并將其作為研究建設項目與戰略目標的框架,可以有效解決新形勢下戰略研究面臨的挑戰,為戰略目標與建設項目預實踐研究提供了一種新思路。然而，仍存在一些問題需要進一步研究:① 缺少該領域的語料庫,且大量數據沒有標注,采用人工標注耗時耗力;② 針對該領域,專家往往只是針對某部分表達專業知識,缺少全面地描述信息,難以支撐模式層(本體)知識構建;③ 目前采用的都是公開領域的信息抽取方法,缺少針對該領域的專有實體、關系的抽取方法;④ 基于項目-戰略知識圖譜,不僅需要補全已知項目缺失的戰略目標信息,還需要通過表示學習,預測新項目的戰略目標。