面向作戰任務規劃的信息主動推薦服務

陳皖玉 蔡 飛 陳洪輝 張維明

在能打仗、打勝仗的總要求下,提升信息系統對作戰人員的輔助決策能力和效率是核心關鍵,面對未來戰爭中復雜多變的戰場態勢,短時間決策帶來的挑戰,可以通過人工智能技術根據當前作戰任務快速推薦相關信息,輔助作戰任務規劃來解決.

現有的面向作戰任務的信息推薦技術研究仍以理論探索為主,技術成熟度較低,無法滿足實際的作戰需求,且存在相關數據（如作戰態勢、裝備等數據難以獲取以及相關信息有效性）難以衡量評估等現實問題.本文對面向作戰任務規劃的信息主動推薦服務進行了業務需求分析和能力需求分析,并據此設計了其應用模式和技術架構,分析了信息主動推薦技術,信息特征抽取與表示技術以及作戰用戶畫像學習技術等關鍵技術策略.

本文的主要貢獻包括兩點：1）在實際的作戰場景中處置決策的時間短,但是現有的人工搜索分析判斷有效信息較為耗時,因此,本文提出的面向作戰任務規劃的信息主動推薦服務依靠機器強大的運算速度和人工智能算法進行相關信息的判斷篩選,并進行比較排序從而主動推薦給用戶,可以有效地加快作戰任務規劃的速度,提高指揮控制過程的效率.2）不同的作戰用戶具有不同的指揮特點,偏好習慣以及席位特征,本文提出的面向作戰任務規劃的信息主動推薦服務考慮個性化因素,針對不同場景、指揮員席位,指揮員的行為習慣和偏好,以及特定的任務進行信息推薦,能最大化信息主動推薦服務的效用,滿足不同任務場景下,不同指揮員的信息需求,提高信息主動推薦服務的用戶滿意度.

1 智能推薦技術的研究現狀

1.1 民用相關研究技術

隨著網絡與信息技術的飛速發展,用戶在得到便利的同時也面臨大量的垃圾信息和無意義數據.智能推薦系統是一種極具潛力的解決信息超載的服務技術,它利用用戶的偏好信息自動地向用戶推薦符合其興趣特點的對象,使得用戶尋找信息的成本大大降低.這些在線的推薦服務無需用戶介入,具有較強的自學習能力和實時能力,有效地克服了信息超載的問題.在現有的商務網站中,推薦系統能夠根據用戶的歷史購買記錄,以及瀏覽、檢索和評論行為等,分析用戶的興趣并向其主動推薦商品,實現在線推薦功能；增強用戶的購物體驗,提高對網站的忠誠度.在競爭激烈的市場環境下帶來了顯著的經濟效益[1-3].

1994 年明尼蘇達大學GroupLens 研究團隊提出了第一個自動化推薦系統GroupLens[1-2].同時也提出了協同過濾這一推薦系統中重要的基礎技術.1997年RESNICK 等首次提出推薦系統一詞,從這時開始,人們將推薦系統看成為一個重要的研究領域.1998年亞馬遜（Amazon.com）上線了基于物品的協同過濾算法,將推薦系統推向服務千萬級用戶和處理百萬級商品的規模,并能產生質量良好的推薦效果,同時帶來了巨大的經濟效益.后來的大部分綜述論文將推薦系統分為3 個主要類別,即基于內容的推薦、基于協同過濾的推薦和混合推薦的方法,并提出了未來可能的主要研究方向.2016 年,YOUTUBE 提出可以將深度神經網絡應用到推薦系統中,很大程度利用了大數據知識提高推薦系統的效果,推動了深度學習在推薦系統中的應用[2].近年來,推薦系統被廣泛地應用于電子商務推薦、個性化廣告推薦、新聞推薦等諸多領域,如人們經常使用的淘寶、今日頭條、豆瓣影評等產品.同時,伴隨著機器學習、深度學習的發展,工業界和學術界對推薦系統的研究熱情更加高漲,形成了一門獨立的學科.

1.2 軍用相關研究技術

在信息推薦方面,美軍在自主指揮系統上對信息推薦技術進行了探索,將與作戰任務相關的信息向指揮員進行推送展現.作戰人員可以輸入一些要求細節,自主指揮系統會根據這些描述來給指揮員推薦相關的信息.例如,作戰人員要求無人平臺對某一建筑物進行空中監視,自主指揮控制系統會根據傳感器有效載荷、預計途中時間、燃料使用情況、環境條件等提供無人平臺的信息,并監控平臺的狀態（例如,如果無人平臺沒有按時抵達建筑物,則發出警報）.各類人機界面支持作戰人員交流具體細節,交流的結果將告知自主指揮系統,以便自主指揮系統優化信息推薦結果.通過這些人機界面,作戰人員可以隨時根據任務、無人平臺、任務事件或人員,對自主指揮系統的信任或這些維度的組合來制定方案.

國內在軍事信息推薦技術上的研究主要以信息的匹配推薦為主[4-9].呂宗平等提出了基于案例推理的應急救援模型.構建了具有層次信息的預案庫,采用兩兩比較的方法確定預案屬性的權重大小,然后運用最近鄰的方法對預案進行檢索匹配和推薦.方冰等提出基于特征矩陣的行動預案匹配方法,通過基于特征矩陣的預案匹配模型,可快速輔助指揮員優選預案并能根據任務需求對匹配預案作出適應性調整,有效提升行動決策的快速性和準確性[4].梁汝鵬等將知識圖譜與作戰預案特征映射,構建預案語義特征標注顯式定義作戰預案隱藏知識,實現基于語義特征的作戰預案智能語義匹配[5].基于規則推理的方法不夠靈活,不能很好地挖掘潛在的信息特征以及信息和任務的相關性；簡單的匹配推薦方法適用性差,不是所有的任務都有可以匹配的相關信息.本文提出的信息主動推薦服務可以自動提取多源異構信息的特征,并且學習作戰人員的畫像特征,計算信息相關度,包括語義相關度、任務相關度和用戶相關度,進而生成信息推薦列表,并按照相關度排序.本文提出的方法更加具有普適性并且能夠挖掘到更多和任務相關的潛在信息,為任務規劃主動提供相關信息,減輕任務規劃人員工作負荷,提高任務規劃的效率.

2 應用需求分析

2.1 業務需求

現有信息系統支持作戰人員通過信息檢索的方式獲得相關信息,這種方式是一種被動的信息提供方式.在戰場中處置突發情況,往往時間緊迫,這種單單依靠作戰人員搜索的被動信息提供方式無法高效地滿足用戶的信息需求,容易導致戰機的貽誤.雖然信息系統支持按關鍵詞搜索查詢的功能,但效率提升幅度有限.一方面,作戰人員需要首先對當前任務進行感知,然后輸入相關的查詢詞.但是由于時間緊、任務復雜,作戰人員可能存在對相關信息的遺漏和缺失.同時由于作戰人員的背景知識不同,對于關鍵詞的理解也有所不同,可能導致輸入的關鍵詞描述模糊,返回的信息不夠準確,和當前任務的相關性不強[7-13].另一方面,機器不理解當前的任務和態勢,關鍵詞搜索的準確度較低,仍需要人工閱讀篩選,耗時較長.

為了有效提升任務規劃的效率,需要系統根據對當前任務和態勢的理解進行需求解析,精準推薦和當前任務相關的信息,同時能夠結合作戰人員的行為偏好以及席位信息,提供個性化的信息推薦服務.從而輔助作戰人員進行任務規劃.信息主動推薦服務的業務需求概念,如圖1 所示.

圖1 信息主動推薦服務業務需求Fig.1 Business requirements of the intelligent information recommendation service

2.2 能力需求

面向瞬息萬變的戰場形勢,系統能否充分利用海量的歷史信息和記錄,能否準確快速地主動推薦與當前作戰任務以及指揮員作戰決心相符的信息,是任務規劃人員最為關心的能力需求.因此,迫切需要發展一個信息主動推薦助手,根據當前態勢和任務目標,快速、準確地推薦相關的信息,以便指揮員可以快速形成任務規劃方案.具體來說,面向作戰任務規劃的信息主動推薦服務應具有以下能力：

1）具有對當前任務的信息需求進行自動解析生成的能力；

2）具有任務信息需求動態更新的能力.能夠監控系統的實時狀態,并自動收集系統當前觀測信息,包括用戶,作戰階段的更新,時空變化等等,從而實時更新作戰任務的信息需求；

3）具有任務-信息相關性分析,相關度測度以及信息去重和排序的能力.根據任務-信息相關性的歷史數據,得到和任務相關的主題詞,對信息相關度進行計算,去除重復信息,最后將根據任務相關度排序后的信息返回給用戶；

4）具有構建用戶畫像,對作戰人員偏好建模,進行個性化信息服務的能力.

3 架構設計

3.1 應用模式設計

面向作戰任務規劃的信息主動推薦在實際服務過程中分為直接使用系統功能的前臺用戶,即“端”用戶,以及后臺學習訓練用戶.前臺用戶主要指作戰人員,后臺學習訓練用戶包括標注人員、模型分析訓練人員兩類.

面對作戰人員時,系統主要提供面向任務規劃的信息主動推薦服務.系統根據任務信息和用戶角色自動推薦相關的信息.系統根據作戰應用方式,作戰用戶角色、任務特征、系統運行流程等方面,給作戰用戶推薦多種類、多格式的信息,并以多視圖的格式進行分類推送.根據任務和作戰環境的動態變化,推薦信息也會實時動態更新,如圖2 所示.

圖2 面向作戰任務規劃的信息主動推薦服務應用模式圖Fig.2 Application mode of the intelligent information recommendation service for task planning

后臺學習訓練用戶主要是標注人員以及模型分析訓練人員,為信息主動推薦提供訓練數據,及時調整相關模型參數,不斷優化提升信息推薦的準確度.面向后臺用戶的模型分析與訓練演進的典型應用模式如圖3 所示.主要步驟如下：

圖3 面向后臺用戶的模型分析與訓練演進應用模式圖Fig.3 Model analysis and training evolution application mode for background users

1）用語標注：后臺標注人員結合系統收集的作戰人員的指令信息,對用戶關于信息推薦方面的習慣用語進行標注,存放到訓練演進平臺中,通過訓練提升用戶命令的響應效率；

2）選擇記錄：后臺標注人員對信息主動推薦業務應用使用過程中的選擇記錄進行分析,即對推薦信息列表的選擇,從中提取出用戶選擇的習慣與規律,存放到知識庫中,通過學習訓練提升后續推薦的個性化匹配程度,優化視圖展現效果；

3）操作記錄：后臺標注人員對信息主動推薦業務應用使用過程中的操作記錄進行分析,從中提取出用戶操作的習慣與規律,存放到知識庫中,通過學習訓練提升后續推薦的個性化匹配程度,優化視圖展現效果；

4）知識提取模型生成：模型分析人員通過對用戶行為記錄的分析,在原有模型的基礎上參數調優,生成信息推薦相關的知識和模型,存入知識庫中；

5）模型參數調優：模型分析人員在訓練演進過程中,對生成模型的各類參數進行調整、優化,更新已有的模型,使其推薦的結果更加符合用戶預期,存儲到知識庫中,為后續的推薦提供數據支撐.

3.2 技術架構設計

根據應用模式,本文對面向作戰任務規劃的信息主動推薦服務技術架構設計如圖4 所示.該技術架構主要包含3 大模塊：訓練模塊、服務模塊、應用模塊.其中訓練模塊主要包括數據存儲、數據預處理和模型訓練3 大部分.數據預處理主要包括對用戶和信息交互記錄進行清洗和格式化處理,方便模型使用；推薦模型訓練主要包括機器學習和深度學習等推薦算法.服務模塊主要進行任務相關信息的推薦,包括任務數據解析、信息的相關度測量、去重和排序,而后產生面向用戶的個性化推薦以及面向任務的動態信息推薦.應用模塊主要是產生并記錄用戶和系統之間的交互信息,包括用戶隱式反饋行為和顯式反饋行為.應用模塊收集的用戶行為記錄會傳遞給訓練模塊,幫助推薦模型的訓練和更新,提高信息推薦的準確性.

圖4 面向作戰任務規劃的信息主動推薦服務技術架構圖Fig.4 Technical architecture of the intelligent information recommendation service for combat task planning

4 關鍵技術策略

4.1 基于相關度的信息主動推薦技術

4.1.1 問題描述

在面向作戰任務規劃的信息主動推薦服務中,信息是否與作戰任務（含作戰時間、作戰區域、作戰目標、作戰對象等要素）、作戰用戶（角色、偏好、習慣等特征）密切相關,是信息主動推薦的重要依據.信息相關度的評判如果考慮因素不全（例如只從任務維度出發）,雖然推薦的信息緊扣作戰任務特征,但推薦的信息結果可能偏離當前用戶的偏好.只有推薦高質量的信息才能輔助作戰用戶規劃作戰兵力、作戰流程等相關業務,幫助其快速形成作戰任務規劃.

4.1.2 策略分析

方案1 基于語義相似度衡量的信息相關度評判算法.該算法需要在龐大的語料庫上訓練生成文本的向量特征表示,將信息和當前作戰態勢轉化成一個特征向量,在同一個特征空間,計算信息的特征向量與當前作戰態勢特征向量之間的距離作為相似度衡量.然而該算法對語料庫依賴性強,同時可解釋性較差,文本訓練生成的特征向量表示遷移性差,在無法獲取大量軍事特征信息樣本數據情況下,相似度衡量效果不佳.

方案2 基于要素特征匹配的信息相關度評判算法.該算法基于信息描述模型和任務的描述框架,將信息相關度評判轉為特定要素特征的匹配問題,可以基于某個數學統計變量,如Jaccard 系數、TFIDF 值等[14],衡量信息特征要素表示與任務或者態勢特征要素表示之間的覆蓋程度,進而通過該覆蓋程度構建歸一化的信息相關度評判得分.此類算法操作簡單,具有一定的可解釋性,無需特定領域的訓練樣本構建表示模型,同時相關度評判效果較好.

本文提出第3 套方案,即基于語義特征挖掘和任務驅動以及用戶偏好驅動的信息相關度評判算法.簡言之,本方案集成了方案1 和方案2 的思想,從兩個維度生成各自的信息相關度.語義相關度衡量可以建立在由軍事語料庫生成的信息特征表示基礎上；任務相關度可以結合信息描述框架和任務描述框架統計分析而得.除此之外,本文還考慮了用戶相關度,即考慮用戶偏好和軍事信息之間的相似度.然后綜合考慮信息的語義相關度、任務相關度和用戶相關度,采用歸一化的方法,得到最終的信息相關度.相比于前兩種方案,該方案能深度挖掘隱藏的語義特征,同時利用軍事信息的結構化描述的優勢,避免了需要大量特定軍事領域訓練樣本的問題,能有效提高信息相關度評判的準確率.

4.1.3 實現途徑

在準備的軍事文本語料庫上訓練獲得軍事文本的特征向量表示,將軍事信息、作戰任務、作戰用戶畫像等信息轉化為描述文本,基于預訓練模型,進而獲得軍事信息、作戰任務、作戰用戶偏好等語義向量特征表示,再利用余弦相似度等衡量標準估算獲得語義相關度；利用基于信息描述模型以及基于態勢的作戰任務智能解析模型,自動獲取軍事信息和作戰任務的主要特征要素,以及目標、事件、軌跡等態勢要素,在此基礎上,利用面向任務的信息特征關聯技術衡量作戰任務與軍事信息的任務相關度；基于協同過濾推薦、序列學習等技術,準確識別用戶偏好,測算推薦信息與作戰用戶的相關度；整合推薦信息的語義相關度、任務相關度、用戶相關度,生成最終的信息相關度.其具體實現途徑,如圖5 所示.

圖5 信息相關度評判實現途徑圖Fig.5 Realization means of information relevance evaluation

4.2 信息特征抽取與表示

4.2.1 問題描述

為了支撐不同種類信息的推薦,需要對戰場上不同信源、不同格式、不同實時/非實時的信息進行處理,分析不同軍事信息的特征差異.目前對軍事信息的描述沒有規定的格式,通常是采用自然語言表達,沒有固定的句法格式、描述方式限定.因此,傳統的關鍵詞搜索難以對任務目標、當面態勢等情境上下文進行精確的匹配.為了支持信息的準確推薦,需要從結構化/非結構化的信息描述中提取出信息的特征值.對于大量的多源異構信息,如何采用自動/半自動的方式進行特征抽取是亟需解決的問題.

4.2.2 策略分析

對于信息特征的抽取與表示,需要對不同類型的信息特征采取不同的策略方法.

對于信息本身的要素特征,如時間、地點等,可以直接自動地從數據結構中抽取.

對于當前態勢或者開源情報等非結構化描述的內容,抽取策略有兩種.一種是運用目前發展較為成熟的知識抽取技術[15],從文字描述中自動識別時間、地點、目標、意圖、事件等反映當前態勢和情報內容要素的特征詞匯和實體.另一種是對于描述較為抽象、宏觀、藝術性的文字內容,目前的機器語義理解能力還做不到自動、準確地抽取,則需要人工干預,提供一些常用的特征標簽和取值選項供人工選取,或支持作戰人員自定義特征標簽和取值選項.

對于信息的好壞優劣性,提供基于用戶顯式反饋和隱式反饋的標注機制.采用顯式反饋方式,即在生成的信息推薦列表中,以及在推薦信息的瀏覽界面中,提供一些反饋按鈕支持用戶對信息的優良中差進行評價,或者提供工具支持用戶自定義一些評價標簽如“不可靠”“可信”等,或支持用戶以自然語言描述對信息的評價,供其他用戶參考,或用機器自動從中抽取評價特征詞等方式.采用隱式反饋方式,即對用戶對信息條目的點選、瀏覽操作進行分析,如果推薦的信息與用戶當前任務相關度較高,但用戶沒有選擇查看,則可以作為判定信息本身優劣性的參考依據.具體實現途徑,如圖6 所示.

圖6 信息特征抽取與表示實現途徑Fig.6 Feature extraction and representation means for information

4.2.3 實現途徑

研發和訓練信息特征自動抽取與表示算法模型.一是信息數據自動抽取模型,基于信息規范化表達,實現對信息內容結構化數據的自動抽取功能；二是情境上下文特征自動抽取模型,應用通用的知識抽取技術,結合作戰任務目標、戰場態勢描述中常用的術語進行學習訓練,實現對信息特征的自動抽取功能；三是基于用戶隱式反饋的信息評價自動標注模型,應用用戶隱式反饋分析技術,從用戶對推薦信息的點選和瀏覽操作記錄中,自動分析用戶對信息優劣性的隱式評價.

研發信息特征手工抽取與標注工具,一是情境上下文特征手工標注工具,支持用戶在瀏覽信息內容后,手工構建特征標簽；二是基于用戶顯式反饋的信息評價標注工具,支持用戶在瀏覽信息內容的過程中對信息的優劣和潛在風險等特性進行描述和標簽構建.

4.3 作戰人員用戶畫像學習

4.3.1 問題描述

作戰人員用戶畫像是在大量用戶數據基礎上進行標簽化建模的過程,而標簽體系的構建是用戶畫像的重要組成部分.不同標簽從不同角度描述了用戶特征,如何對標簽進行有效提取,突出用戶的個性化特征,是需要解決的重要問題.

4.3.2 策略分析

畫像標簽可以基于專家知識進行人工設計,但一方面這種主觀方法可能缺乏現實數據依據；另一方面也容易受制于人工知識的局限性,因此,需要搜集各類用戶數據作為標簽來源.可以將靜態基本數據、動態行為數據以及作戰任務上下文數據作為標簽來源數據.

確定數據來源后,可以根據具體的用戶數據類型,確定標簽抽取的具體方法.對于靜態基本數據,可以直接將其結構化作為標簽.在作戰任務上下文數據中,既有相對穩定的數據（如作戰對象）,也有相對動態的數據（如作戰區域）,對于前者可結構化后直接作為標簽,對于后者要和動態行為數據一起進行處理.

4.3.3 實現途徑

采用基于文本統計特征與（latent dirichlet allocation）LDA 主題模型的標簽抽取方式形成標簽集合,然后構建標簽的預訓練詞表示模型,采用深度學習中的詞嵌入方法,將詞轉化為高維稠密的向量,得到標簽的語義表示.通過余弦相似度、皮爾森相關系數等指標,計算標簽之間的語義相似度,從而實現對用戶標簽的分類確定,最后采用人機結合判斷的方式對冗余標簽進行合并,最終確定用戶畫像標簽體系,如圖7 所示.

圖7 用戶畫像標簽體系構建過程Fig.7 Construction process of the labeling system of user portraits

5 結論

本文主要介紹了面向作戰任務規劃的信息主動推薦服務,并對其進行應用需求分析,包括業務需求和能力需求；設計了面向作戰任務規劃的信息主動推薦服務的應用模式和技術架構,提出了3 種關鍵技術策略,并對每種技術策略進行了具體的分析.通過本文的研究,為面向作戰任務規劃的信息主動推薦服務提供了一種可行的思路和參考,具有一定的借鑒意義.