中国指挥与控制学会会刊 
随着装备大规模实验活动逐步向实际需求场景靠拢,面向大规模范围[1]的指挥导调能力需要同步提升。目前,在常规指挥与导调上,我们依赖于多种形式的数据进行支持,这包含但不限于记录文档、测量记录、数据处理结果及环境信息等。这类数据表现出大容量(Volume)、多样性(Variety)、快速流动(Velocity)以及高价值(Value)的四个标志性属性[2]。不仅如此,指挥与导调过程中还涉及部队、装备间指挥命令、行动方案等多种目标实体的行为规则数据,常规的关系数据库系统难以针对此类概括性、多变性与不固定性较突出的行为规则数据进行描述、储存和应用。当前一项挑战是,如何在对众多实验数据实时信息提取的同时避免信息过载,进而将数据转换成知识,以协助指挥员在指挥与导调中做出更好的决策。
采取知识图谱这类知识工程技术是应对上述问题的有效途径之一[3-6]。知识图谱以其在语义表达的明晰性、对机器的可理解性、信息关系的清晰性、检索的高速和数据结构的灵活性等方面的显著优势,能够将分散的实验数据汇总,从而挖掘深层次的语义知识,并在查询精确性及扩展性问题的处理上显示出强大力量[7-10]。构建针对指挥导调领域的专业知识图谱,有助于标准化描述与组织不同类别的实体活动数据,促进各种不同格式的数据在语义级别上进行联接和交换,以及促进信息的集成;它能针对实体的行为规则知识和模型知识进行简易查询与相关查询。借助知识图谱特有的推理机制,在语义层次上,进一步探究其内在的因果关系,从而摸清指挥导调在战场上的运作机制。
本文提出了一种面向指挥导调的领域知识图谱构建方法。首先,根据军事行业专家的经验知识,构建了一整套为指挥与导调活动量身定做的专业知识架构,以此作为创建专业针对性强的领域知识图谱的理论基础。继之,基于此知识架构,从涉及指挥导调的导调程序、目标部署、历史知识、作战条令、环境信息等各种数据源中,抽取相应的个体、关系以及属性值,形成一个初步的面向指挥导调的领域知识图谱体系架构。其次,借助知识融合技术综合整合知识元素,克服了图谱构建中存在的一词多义、关系缺失、属性值冲突等挑战,构建出一个能够动态更新、用于指挥与导调领域的知识图谱。最后,介绍了该领域知识图谱在后续指挥决策系统建设中能够辅助进行态势估计与威胁估计,从而促进体系态势的生成,有效地支持指挥员做出合理正确的决策[11-12]。
1 指挥导调领域知识图谱的构建
1.1 指挥导调领域知识图谱构建难点
针对指挥导调领域这类特定领域开展知识图谱的构建,主要是基于实验全流程的数据采集,包括声音、图像、视频和文档等要素,以服务实验前期、实验过程中以及实验事后全流程工作,包含实验方案筹划、实验兵力调配、实验装备部署、实验指挥以及实验结果处理等关键环节,与通用型知识图谱涉及的数据类型、内容要求、用户对象存在较大差异。
构建面向指挥导调的领域知识图谱旨在整合多样数据源涌现的非结构化流媒体资料、半结构化文本资料以及结构化的关系型数据库资料。利用各类技术手段进行信息搜集工作,并筛选出具有价值的指挥导调相关信息,最终通过某种方式实现可视化展现,以协助指挥员做出决策[13]。与传统领域知识图谱建设相比,专门针对指挥导调的知识图谱要求明显有别,它需要特定地展现武器装备性能、过程安排及实施环节以及背景等多方面信息,并且这些信息涵盖了文本、语音和图像等多种复杂不同的异构数据[14]。随着参与实体类别的增加,干扰手段变得更加复杂,环境条件愈加严酷,加之信息采集技术持续革新,所需实时处理的信息量也将持续上升。即便已通过信息提取技术成功地从原始数据中提炼出实体、关联关系及实体属性等信息,所得成果仍存在错误及冗余的信息[15]。故而,在打造针对指挥与导调的专业知识架构时,遭遇两大挑战:一是指挥与导调领域的知识体系要求更细致的颗粒化处理,所包含的信息需以多种数据形式呈现,各个步骤及试验环节对这一体系的详细程度有更高的要求,每种数据类型所包含的信息量和属性不同,在构建知识架构的模式层时需人工为不同的数据种类制定相应的知识框架,模式层的构建需要依托指挥导调领域专家的经验知识进行构建,这是指挥导调领域知识图谱构建不同于一般难点问题的非共性问题,不同的领域带来的领域知识体系有较大差别,模式层的构建也因知识体系不同而产生较大变化;二是由于知识提取过程中可能带来信息过剩及关系模糊等问题,必须对这一领域的知识体系进行综合整合处理,确保所得知识的精确性。
基于上述问题,本文围绕以下两方面内容开展研究:
(1)在构建模型的层面,根据领域专家的经验知识,打造专注于指挥导调的知识体系架构。利用指挥导调的专业知识及其相互关联,组织构成指挥导调范畴的知识本体结构。随后利用本体库指导数据层的规范化表述,以此增强知识图谱的层级配置,减缓知识的过剩现象。
(2)基于面向指挥导调的领域知识本体,从实时测量数据、指挥协同程序、武器装备历史参数数据与历史航迹等原始数据中,进行抽取工作,建立初始的面向指挥导调的领域知识图谱;通过知识的融合与提炼,消除实体的歧义及明确方向性的差异,解决了初始知识图谱里存在的数据冗余、不一致及误差等问题,进而构建了一张精确无误、专门服务于指挥导调需求的知识图谱。
1.2 指挥导调领域知识体系
将面向指挥导调的领域知识体系作为该领域知识图谱的初始本体,主要从导调程序、历史知识、目标部署、作战条令、环境信息等多个维度,提取面向指挥导调的领域知识概念、实体、属性以及关系,具体详见图1。
(1)导调程序:用于存储活动的实施计划、协同程序、导调情节等,涉及侦察情报、目标测量、目标轨迹融合处理、兵力配置与控制、火力打击行动及电子干扰等规则。
(2)历史知识:源于红、蓝装备在实装测试、常规实验、仿真实验训练等过程中累积的历史数据,涵盖装备自身参数、装备使用次数、装备历史航迹信息、装备历史状态参数信息以及装备性能指标等。
(3)目标部署:指红蓝双方重要军事目标部署信息,如导弹发射基地、机场、港口、指挥所及交通枢纽等重要军事目标,涵盖目标部署位置、目标价值、目标组成及目标半径等。
(4)作战条令:指军队作战的军事法规和规章。
(5)环境信息:与装备实验及作战效果密切相关的环境数据,包括陆地、海洋、空间及气象等自然环境与电磁环境数据。
1.3 指挥导调领域知识图谱构建流程
(1)领域知识本体构建
指挥导调领域是一个典型的特定领域,具有明确的概念层次,部分专业知识存储于领域专家的大脑中,无法从数据层面进行归纳与抽取,考虑演练数据的保密性与装备的特殊性,许多文件和信息对知识图谱的建立表现出绝对的阻力,导致数据结构化程度较低,数据收集困难。因此,指挥导调领域的知识图谱在构建之初,更适合采用自上而下的方式,待其基本结构建立后,随着该领域历史数据抢救、数据自动采集、数据治理链路打通规范化后,可以采取自下而上的方法来扩展图谱的实例与属性。
目前存在五种较具影响力的本体搭建技术,分别是框架法、TOVE技术、IDEF5技术、Methontology技术和七阶段技术[17]。在这些方法中,七阶段技术更为完善。于是本文采取七阶段技术进行本体构建,涵盖了以下七个阶段:
A. 确定专业领域和范围;
B. 检查重复使用现有本体的可能性;
C. 列出领域中的重要术语;
D. 定义类和类的层次结构;
E. 定义类的属性;
F. 定义属性面;
G. 创建实例。
例如,在进行指挥导调领域知识本体构建中,需要先依据指挥导调领域知识体系,根据专家经验知识列出领域中的重要术语,如“目标航迹”“装备参数”“装备状态”等,定义类和类的层次结构,如“装备状态”下有“跟踪状态”“跟踪角度”等,而后进行类的属性定义,如“跟踪状态”分为“锁定”与“丢失”,继而创造实例,如“XXX雷达装备状态中跟踪状态为锁定或丢失”。
(2)领域知识表示
资源描述框架(RDF)作为领域内普遍采用的知识表达模式,它以<主体,属性,值>三元组的结构展现信息内容,除此之外,RDF模式提供了对类、属性的描述元语,包括类、父类、定义域、值域等。在指挥导调领域,RDF的构建一般采用自顶而下的方式进行,在该领域专家的参与下,系统梳理出人员、武器、平台等一类实体,在此基础上,根据二级、三级实体分类,实体间关系以及实体属性,构建整个领域的RDF模型,同时该模型在后续实践中会动态扩充,本文采取资源描述框架来进行描述。
(3)领域知识抽取
领域知识抽取是针对指挥导调领域,从各种相关资料中借助自动化技术提取有价值的知识元素的过程,其核心内容涉及实体、关系和属性这三个基本组成部分。
实体抽取也称为命名实体识别,指从原始数据中自动识别出命名实体。当前实体抽取方法主要归纳为以下三种方法[18]:基于规则与词典的方法、基于统计机器学习的方法以及面向开放域的抽取方法。针对指挥导调这一单独领域,考虑军事用语规律性、格式化较强的特点,本文采用统计机器学习与规则相结合的实体抽取方法来进行指挥导调领域知识的实体抽取。
关系抽取旨在分析特定知识领域内,通过语义辨识实体间的相互联系。目前,这一过程大致涵盖了依据人工设计的语义规则与模板方法和基于机器学习算法的提取模型。在此技术领域,虽然对开放式领域的数据抽取方法有显著的提升,尤其是在关系抽取模式方面,然而在挖掘实体潜在联系的性能方面仍显不足[19]。基于指挥导调领域知识特点,实体关系信息主要由作战文书、情报资料、目标数据以及性能指标等内容抽取,该类数据结构性较强,为进一步提升关系抽取的准确率与召回率,采用先将数据进行人工数据标注的形式进行初步处理,即人工提前定义实体间的关系类型,而后基于机器学习的方法进行领域关系抽取。
属性抽取是针对实体本身而言,通过属性来进一步描述实体。实体属性与实体本身之间可以看作实体与属性值之间的一种名称性关系,由此可将实体属性抽取问题转化为关系抽取问题。在指挥导调领域知识内,属性通常均是以结构化或半结构化数据的形式存在,采用基于规则与机器学习的方式进行属性值的抽取。
譬如,在海上目标探测的应用场合,被考虑进去的实体涵盖了海洋、天空和太空中的早期预警侦察装置及飞行物体,其特征细节囊括了设备型号、侦察范围、操作参数等资讯;所牵涉的实体关系则涉及追踪目标、时间点、地理位置与移动速度等因素。在进行知识抽取阶段,数据治理专家依据现有的知识储备和实践经验,辅以指挥导调领域的领域知识体系编写规则与模板,对部分数据集进行初步的标记工作,接着应用机器学习技术训练模型,让模型掌握在海上目标探测情境中各类实体及其相互关系的分布规律,由此推算潜在项是否属于实体或联系的概率,从而抽取这些信息,组建起反映真实世界状况的知识图谱。
(4)领域知识融合
指挥导调领域内的知识来源广泛,存在知识良莠不齐、不同数据源的知识重复以及知识间的关联不够明确的问题。知识融合的目的是将来自不同知识源的知识在同一框架规范下进行异构数据整合、消歧、加工、推理验证、更新等步骤,而不是简单地进行数据剔除,需要达到数据、信息、方法、经验以及人的思想的融合,形成高质量的知识库。知识融合主要包括实体对齐、知识加工、知识更新、质量评估、实体填充五部分[20]。
① 实体对齐
实体对齐也被称为实体匹配或者实体解析,其目的在于解决异构数据内部存在的实体不一致、指代模糊等问题。简而言之,它主要是为了处理多个表示同一实物的不同实体名的统一化,以及区分那些名称相同但实际上指代不同实物的实体。例如,需要把“福特号”“福特号航空”“首艘福特级航母”三者都正确归并至“福特号航空母舰”。在处理类似问题时,常用特定步骤来进行操作[21]。
A. 将待处理数据进行分区检索;
B. 利用相似性算法查找匹配实例;
C. 利用实体对齐算法进行实例融合;
D. 将步骤2与步骤3循环使用,形成最终对齐结果。
实体对齐算法主要分为成对实体对齐、局部集体实体对齐与全局集体实体对齐三类。在成对实体对齐领域,主要有基于传统概率模型的实体对齐方法与基于机器学习的实体对齐方法。本文采用基于监督学习的基于聚类的实体对齐方法,将相似的实体尽量聚集到一起,再实现实体对齐。
② 知识加工
经历过实体对齐后,可以得到一系列基本的事实表达,其并非知识,只能是知识的基本单位。而要形成知识,则需要进一步的加工,从层次上形成一定规模的知识体系,用于构建知识图谱的本体,而面向指挥导调的领域知识图谱的构建是自顶而下的,经过知识加工后,在指挥导调领域现有知识图谱本体基础上,利用自动构建技术进行逐步扩展,数据驱动下的本体构建过程主要分为以下阶段:
A. 纵向概念间的并列关系计算
B. 实体上下位关系抽取
C. 本体生成
③ 知识更新
随着大规模实验的组织形式、参试兵力、被试装备性能不断变化、逐年增多,指挥员的认知能力与指挥能力逐步提升,领域知识图谱的内容也需要与时俱进,需要不断迭代更新。
知识更新主要针对结构层面和数据层面。结构层面的刷新涉及本体框架内部分的变动,涵盖了对概念的补充、调整和移除,对概念特性的变动以及概念间的等级关系的变动等方面。在此过程中,概念特性的变动会对全部相关联的部分产生直接的影响。直接或间接属性的子概念和实体消耗资源较小,但多需要人工干预,进行规则制定与冲突处理数据底层的刷新,涉及各个数据实体的变动,涵盖了数据实体的添加、调整和去除,包括这些实体的主要数据和属性的变更。此类更新一般影响面较小,因此通常以自动的方式完成。
例如通讯装备中,以前程控电话已大部分被IP电话替代,在此类知识结构层面在装备属性部分需增加IP地址属性,通常以自动方式进行更新获取。
④ 质量评估
在进行知识更新之后,有必要就知识库的品质进行审核。该过程主要关注知识图谱内的数据,并且发现及校正知识图谱内存在的数据失误。同时,该流程也涉及对知识的置信度进行评估,保留置信度高的信息,淘汰置信度低的信息,以此来确保所持数据的精确度、完整性、统一性和有效性。数据质量评估是知识图谱构建和应用的重要环节,是保证知识图谱质量的重要保证。
(5)领域知识图谱存储
领域知识存储旨在为面向指挥导调的领域知识图谱提供可靠的存储环境,因此选用了Ne04j这款基于Java开发的开源NoSQL图数据库。凭借其伸缩性强、兼容性好、搭建方便以及支持高可用性分布式部署的特性,Ne04j能够承载大型的知识图谱并管理大量数据。此数据库提供了快速有效的图查询语言,集成了搜索引擎、图形化查询界面及API等多种工具。基于以上优点,本研究决定采用Ne04j系统用以存储着重于指挥调度领域的知识图谱。
2 领域知识图谱应用
面向指挥导调的领域知识图谱应用主要包括指挥导调中的态势分析与体系态势生成。下文以指挥导调中态势一张图生成中的态势分析与体系态势生成为例,介绍领域知识图谱的应用。态势分析是指根据实时数据与相关信息,对战场整体状态和形势进行全面、深入的分析与评估。体系态势生成是一个复杂的过程,是指通过收集、整合、分析来自多个信源的信息,生成关于某一特定体系(如战场、信息系统等)的整体态势的过程,能够反映一定范围内或同类事物整体发展的形势及状态[22]。
2.1 态势分析
态势分析主要包括态势估计和威胁估计[21-23]。态势估计和威胁估计任务是要从复杂而集中的情报资料中提取出对指挥员而言至关重要的战场动向和特定事件,并进行判读、解析与未来发展趋势的预测。态势估计基于多种情报数据的融合,定量或定性地总结红方、蓝方及白方在试验中的行为表现以及战场状况,并推测未来可能发生的动态和事件。威胁估计则聚焦于评估蓝方的行动潜能及其对红方可能构成的危害,此评估是建立在态势分析基础之上,结合双方的兵力分配、武备能力、蓝方的作战意图和我方的防卫焦点,以及双方的军事战略,通过量化方法对蓝方潜在引发的危机进行评估与分析。面向指挥导调的领域知识图谱可为态势估计与威胁估计提供知识支撑,详见图3。
态势分析流程涵盖了诸多环节,包含态势要素提取、态势评估推理和态势预测,具体步骤如下:(1)利用指挥导调领域知识图谱中的目标资料信息,进行行动预测和走势剖析;(2)基于指挥导调领域知识图谱中的行为规则库与目标作战能力数据,依据目标的活动模式和风险预警条则来对目标实行风险评价;(3)立足于对目标多源信息的综合对比验证,并参照目标的历史作战能力数据,运用多个目标风险评价模型,协助判读目标的潜在威胁范围与强度;(4)基于指挥导调领域知识图谱中的战术战法库,参考双方红蓝对抗的力量配置、战争部署及战略意向等因素,进行占优势势头的战场判决;(5)最终编撰出一份战场形势的翔实分析报告。
2.2 体系态势生成
通过对态势因素数据的相关性、验证性、集合性及决策性分析,打造出上层体系与多级战场感知能力建构的图解。体系态势分析是在态势目标分群处理和威胁估计基础上,对战场态势开展体系化分析,具体包括以下3个方面内容:
(1)体系枢纽分析:基于指挥导调领域知识图谱中的武器装备性能数据与目标作战能力数据,通过评估单一或多个目标的任务性质,并对其行动区域、活动规律以及所属目标的侦察及攻击能力进行深入分析,从而构建起目标个体或集体间的互动纽带(如通讯、指挥、遮蔽与警戒等),评估它们的重要性以及潜在危险级别,并在系统中标出关键的枢纽点。
(2)任务主题分析:以关键领域、突出事件以及军事行动等为基准进行分类汇总,形成定制化主题态势(通常由力量部署、关键趋势、现阶段行动的主要对象或目标群体以及活动模式等要素组成),并划分主题的重要等级和所属方向等属性。
(3)体系态势展现:依照既定规范,为不同级别的使用者定制相应级别的态势数据集成以及全局态势的信息呈现。对于战役层面,默认揭示高风险对象或目标集团、关键位置、焦点事件以及个性化主题的汇总态势资讯(用户可通过体系解聚,进一步查询并获取态势信息、情报来源和融合过程等)。在战术层面,系统则自动展现所辖区域的总体态势详情和特定主题的相关态势资讯。
3 结束语
本篇文章构建了一种服务于指挥导调的知识图谱,阐述了根据指挥导调信息生成专门知识图谱的方法论。通过巧妙运用专业人士的经验知识,创建了一个专为指挥导调服务的知识体系结构,并详细描述了在领域知识表示、领域知识抽取、领域知识融合以及领域知识图谱存储等方面的核心技术。同时,本文还解释了该领域知识图谱如何在指挥辅助决策系统中发挥其至关重要的作用,能够辅助进行态势估计与威胁估计,从而促进体系态势的生成,有效地支持指挥员做出合理正确的决策。