海战场情报态势知识超图组织与运用.pdf

舰 船 电 子 工 程2023 年第 8 期1引言海战场情报态势，是指由海空作战环境中各种兵力分布及战场事件等要素组成的战场整体状态。随着海战场信息化程度不断提升，能否准确、清晰地理解态势，快速判断战场趋势和轨迹，对作战指挥决策至关重要，且越来越成为海战场制胜的关键。复杂的海战场环境中，指挥员需要利用作战知识和经验对情报信息进行分析，判断战场态势运行状态和轨迹，对可能出现的战场事件和潜在的威胁进行准确的预估。因此，领域知识和作战经验的组织与运用，是海战场情报态势分析判断能力提升的关键。当前，海上作战情报分析存在作战知识和经验无法组织、缺少运用手段的问题。通过分层结构对海战场事件、战术概念属性和情报信息实例等不同类型的知识进行组织，对情报态势知识超图的知识挖掘与运用模式展开研究。收稿日期：2023年2月10日，修回日期：2023年3月20日作者简介：苏琦，男，博士研究生，助理研究员，研究方向：军事智能与辅助决策。史红权，男，博士，研究员，研究方向：军事智能决策。王义涛，男，博士，研究员，研究方向：海上分布式作战。孙东普，男，硕士，助理研究员，研究方向：指挥信息系统。李瑞，男，研究实习员，研究方向：指挥信息系统。总第 350 期2023 年第 8 期舰 船 电 子 工 程Ship Electronic EngineeringVol.43 No.8海战场情报态势知识超图组织与运用苏琦史红权王义涛孙东普李瑞（海军大连舰艇学院作战软件与仿真研究所大连116018）摘要海战场作战知识缺少组织运用方法，无法支撑情报态势分析。针对作战知识组织运用问题，提出分层海战场情报态势知识超图体系，建立事理知识图谱、概念知识超图、实例知识超图三层结构，使用超关系对多元情报信息进行知识表达，通过跨层次映射和反演建立不同层次之间的关联；对基于超图的知识挖掘与辅助决策方法进行了分析。该框架可为智能化指挥信息系统建设和领域知识组织管理提供新的思路。关键词海战场；情报态势；层次化；知识超图；知识挖掘；辅助决策中图分类号G353DOI：10.3969/j.issn.1672-9730.2023.08.008Organizing and Application of Intelligence Situation KnowledgeHyper-graph in the Sea BattlefieldSU QiSHI HongquanWANG YitaoSUN DongpuLI Rui（Institute of Operation Software and Simulation，Dalian Naval Academy，Dalian116018）AbstractIn the case of lack of organization and application methods for naval battlefield operational knowledge，it is difficultto support intelligence analysis.This paper addresses the organizing and application of combat knowledge，and a hierarchicalframework of intelligence situation knowledge hyper-graph system in the sea battlefield is proposed.The three-layer structure ofhyper-graph，including event，concept and instance layer is established.Hyper-relationship is used to express knowledge onmultivariate intelligence data and to establish knowledge associations between different level networks through cross-level mappingand inverse-compute.According to the characteristics of sea battlefield，a knowledge mining and auxiliary decision mode isanalyzed.The framework can provide a new idea and method for the construction of intelligent command information system anddomain knowledge organization management.Key Wordssea battlefield，intelligence situation，hierarchical，knowledge hyper-graph，knowledge mining，decision supportClass NumberG35337总第350期2理论基础与文献综述2.1知识图谱与知识超图在计算机技术的发展推动下，人工智能领域的研究重心从感知智能逐步转向认知决策智能，其中的核心问题就是知识的组织与运用1。知识图谱使用图结构对知识进行建模、挖掘和应用，将复杂语义抽象成实体和关系，通过（头实体，关系，尾实体）三元组的方式进行知识表达和组织，是一种行之有效的知识挖掘和应用框架。为了增强多元关系表达，将超图概念引入知识图谱1，使用超边连接多个节点，形成描述多元知识的超关系，称为知识超图，如图1所示。图1知识超图示例超关系事实可以包含多个实体，不同的超关系事实之间可以有公共节点。这种多元知识表达框架增强了复杂知识的描述和解释能力，但客观上也增加了计算的复杂性。近年来，不少学者采用分层网络的组织模式进行领域知识工程相关研究。席运江2提出组织知识系统的知识超网络模型，将知识、人、存储载体等三类要素分层组织。方哲3提出专家知识协作“领域专家知识”三层加权超网络模型，对专家知识协作的领域社区特性和知识协作机理展开研究。田儒雅4研究了网络舆论传播的机理，通过建立社交子网、环境子网、心理子网和观点子网，构筑舆论超网络描绘网络舆论特征。胡晓峰5从物理域、信息域与认知域，根据超边、作战环研究了跨网、跨域的作战过程。韩菁6分两层构建了知识-合作网络，分析了不同类型知识对合作链路生成的影响，提升了跨领域合作链路生成的预测精度。2.2知识表示框架知识表示是对知识的形式化描述方法或框架。通过知识表示，各种抽象知识都可以转化为计算机可以识别并处理的结构化数据。当前，基于图神经网络的方法成为主流。其主要利用GCN7、GAT8等结构提取图谱的拓扑结构特征，形成实体和关系的嵌入表示，并利用链接预测等下游任务更新实体、关系表示，提升知识表示的精度。Saiping Guan9提出将n元关系建模role-value对，通过卷积、拼接构造关联矩阵，解决超边大小不定的问题。文献 10 提出超图中的超关系通常存在主从结构，计算时分别计算主三元组的有效性和辅助信息的兼容性，最终加权求和计算多元关系的有效性。Zhang R等11将节点嵌入分为静态和动态，静态嵌入使用非线性变化计算表示向量，动态嵌入部分将超边表示为全连通图，采用 GAT获取向量表示。知识表示学习是知识图谱与深度学习相结合的重要方向。3海战场情报态势知识组织机理3.1知识组织框架海战场情报态势知识体系庞大、内涵丰富、类型多样、关系复杂。不同的决策场景，对情报态势知识的组织运用需求有所差异。海上编队进行战场态势分析判断时，决策的核心业务是基于战术常理和历史经验对海量的战场情报信息进行分析梳理，厘清战场各类型事件之间的关联与行动脉络，并对战场发展趋势和未来可能出现的情况进行判断和预测。基于上述需求，研究认为战场情报态势知识体系应包含战术概念、装备性能、战术逻辑和情报实例信息等类型。因此，面向编队态势分析判断的知识运用需求，针对知识体系中的战术事理事件、装备概念属性和实例情报三种类型知识展开研究。图2战场情报态势知识层次框架将三种类型知识分层组织，通过跨层次的映射建立关联，组织构建面向编队指挥决策需求的海战场情报态势知识体系，如图2所示。知识体系中，实例情报知识是对真实具体的海上情报信息的表达描述；事理事件知识则是抽象的战术概念之间的关联；概念属性知识，是一种从具苏琦等：海战场情报态势知识超图组织与运用38舰 船 电 子 工 程2023 年第 8 期体到抽象的过渡性知识，其包含的原子概念能够对应关联到具体情报数据，用以抽象描述情报数据的性质、属性、类别等信息，也能映射到事理事件，反映事件包含的概念元素集合。3.2事理事件知识事理事件知识是指具有抽象语义的战术事件及事件之间的关联关系。事理事件知识是由抽象的战场事件和事件之间的关联关系组织起来的，反映不同事件之间逻辑关联的知识网络。根据知识来源和知识本身的性质，将事理事件知识分为以下两种类型：1）理论先验知识：通过领域专家大量的归纳总结得出的知识。这类知识来源于经典的作战理论，由邻域专家缜密推断，知识完备性程度高，逻辑关系完善，事件之间存在清晰明确的显式的逻辑关联。2）战例实践知识：经过专家分析后复盘后的战场实践知识。战例实践知识存在隐性的“事件共现”关系。“共现”实质是对战场事件关联的统计记录，当“共现”频次超过一定阈值，即可建立事件之间的潜在关联。以事理事件知识某片段为例：“预警机在XX区域进行警戒搜索，发现并锁定目标后为突击兵力提供目标指示，突击兵力接收预警信息后迅速接敌机动，当目标进入突击兵力武器射程后，突击兵力在预警机引导下实施齐射攻击目标”。该知识片段的事件逻辑关系如图3所示。图3事理事件知识网络示例上述片段通过条件、顺承、因果等显式的逻辑关联，将典型的战场事件关联起来，形成事理事件知识图谱。3.3概念属性知识概念属性知识主要包含描述各种复杂的战场事件要素的原子概念，以及武器装备、性能参数等知识。概念属性知识由两种类型：第一类是事件包含的实体和要素的抽象表示或描述，是高层语义拆解出的粒度较小的原子概念。第二类是装备实体具有的属性、属性值等。例如下述两段知识：1）“发现目标”事件通常包括发现主体、主体坐标、目标客体、目标坐标、发现时间、发现距离等事件原子概念。2）“XX型预警机巡航速度为 600km/h，装备 XX 雷达和 XX 型数据链，XX雷达有效探测距离为300km，XX数据链通信距离为200km。”以上述两个知识片段进行实体和关系的组织，如图4所示。图4概念属性知识网络示例概念属性知识是战场情报态势知识体系的中间层，通过与事理事件或实例情况进行关联，可以描述事件或情况包含的原子概念集合。3.4实例情报知识实例情报知识是指海战场真实发生的战场情况，对应海上真实个体、个体动作、动作参数、环境要素等，是战场各类型事件的真实实例。实例情报知识主要包含两类，第一类是历史实例知识，包含历史情报信息、演习数据等，是曾经发生过的战场情况。第二类是实时实例知识，描述海上交战过程中实时的战场情况信息，是指挥所经上级、友邻通报或自身发现的战场情报态势数据。实时数据是知识体系运用的数据输入，也是交战过程中需要计算的数据对象。例如某段历史实例知识：“X日X时X分，XX舰在北纬XX，东经XXX，侦测到方位XXX不明机载通信信号。”上述知识片段可通过多元关系进行描述，如图5。图5历史实例知识网络示例实例情报知识是战场情报态势知识的基础，真实反映了战场曾经发生的情况事件的具体细节。历史实例知识作为标签化数据，是知识图谱生成的重要数据来源。实时实例知识来源于战场交战状态下的各种情况信息，是指挥决策人员基于知识进行分析决策应用的具体对象。4层次化知识超图模式构建4.1模型框架引入分层的知识图谱结构，将海战场情报态势知识划分为三个层次，分别对应事理事件知识、概念属性知识、实例情报知识，基本表示框架：GH=HEHCHIR（1）39总第350期式 中：GH表 示 海 战 场 情 报 态 势 知 识 超 图，HEHCHI分别表示事理知识图谱、概念知识超图、实例知识超图；R表示跨层次的映射关系。HE=VeEeFeLeHC=VcEcFcLcHI=ViEiFiLiR=RicRceRecRci（2）式中：V表示各知识图谱层内的实体集合，E表示层内的关系类型集合，F表示层内的关系事实集合。L为定义在层内关系事实上的标签信息集合，具体含义视不同的知识图层而异。R表示跨层次的映射关系，Ric表示实例层向概念层映射，Rce表示概念层向事理层映射；Rec表示由事理层向概念层映射，Rci表示由概念层向实例层映射。4.2事理知识图谱事理知识图谱定义为由领域事件实体及关联关系组成的有向赋权知识图谱，表示为HE=VeEeFeLe（3）式中：关系事实通过三元组fe=()hrt描述，事件概念htVe，关联关系rEe。Le表示对应事理关系事实fe的标签集合。对关系事实标签进行说明，如表1所示。表1战场情况事件关系类型关系类型因果关系顺承关系条件关系组成关系随机关系共现关系关系描述事件v1导致v2发生。事件v1发生后紧接着事件v2发生。v2,v3等事件是事件v1发生的前提条件。整体事件v1由多个成员v2,v3等组成。事件v1发生的前提下，事件v2,v3分别以一定的概率发生，但v2,v3不同时发生。事件v1和v2无显式逻辑关系，但在限定场景范围内频繁的共现发生。因果、顺承关系属于一对一的确定性关系知识，都表示事件之间的跟随发生。事件共现关系主要用来描述无显式逻辑关联事件之间的隐性的关联关系。事件共现描述了历史战例实践场景蕴含的隐性的关联，是事理事件知识挖掘和应用的重要内容。4.3概念知识超图概念知识图层包含两种类型的知识，一种是由原子概念组成的知识超图，利用超关系连接多个概念，表示事理事件对应的原子概念集合；第二种是由装备属性、参数组成的树状知识图谱，表示装备的组织体系和主要性能参数。为了统一表达，将概念层知识网络统一定义为概念知识超图，表示为HC=VcEcFcLc（4）式中：Vc表示概念层实体集合，主要包含原子概念、装备实体、性能属性和属性值等类型实体；Fc表 示 概 念 层 事 实 集 合，通 过 多 元 关 系 描 述fc=()ei:v1vj，超 关 系 类 型eiEc，实 体v1vjVc。Lc表示对应概念层关系Fc的标签集。定义概念知识超图的关系类型和标签数据，见表2。表2概念知识关系类型关系类型事件包含实例包含关联型号关联装备部署装备属性概念属性值关系描述事件映射到概念层所包含的原子概念实体情况实例映射到概念层所包含的原子概念实体连接具有装备实体性质的原子概念和作战平台连接具有性能参数属性的原子概念和作战装备连接平台型号和部署的装备型号。连接平台、装备型号和装备性能属性。连接装备性能属性和性能值节点。事件包含超关系连接了单个事理事件映射到概念层形成的原子概念集。实例包含超关系连接了实例层情况实例映射到概念层形成的原子概念。关联型号、关联装备联接原子概念和对应作战平台、作战装备，表示当前实例情报信息与装备性能参数体系之间的对应关系。4.4实例知识超图实例知识层的节点主要包含实例情况中描述的实体、时间、位置、动作、效果等实体。定义实例知识层为实例知识超图，表示为HI=ViEiFiLi（5）式中：Vi表示实例层实体集合，主要包含实例实体、位置信息、时间信息和动作等实体；Fi表示实例知识层超关系事实集合fi=()ei:v1vj，超关系类型eiEi，实体v1vj；Li定义为实例层情况实例的标签信息，见表3。表3实例知识关系类型关系类型历史实例关联实时实例关联主体动作关联被动客体关联辅助信息关联关系描述连接完整的战场情况实例包含的实体连接战场情况包含的实体。连接主体和动作，表示主体实施了动作。连接动作和客体，表示动作施加于客体。连接主体、动作、客体与辅助信息苏琦等：海战场情报态势知识超图组织与运用40舰 船 电 子 工 程2023 年第 8 期实例超关系包含历史和实时两种类型，历史实例是知识库存储的固有知识，是经专家复盘并明确的先验知识；实时实例则是来源于战时交战场景下的战场情况信息，是实时作战分析应用的对象。4.5跨层映射与反演海战场情报态势知识超图不同层次之间，通过跨层映射进行实体或超关系的关联。跨层映射本质上反映了实体或关系事实在另一个知识层次的描述和解释。可定义跨层次映射：R=RicRceRecRci（6）1）实例层向概念层的映射Ric实例层向概念层的映射有两类，第一类是实例超关系向概念层实例包含超关系的映射，其含义是情况实例数据映射到概念层的原子概念集合。第二类是实例知识单个实体向概念知识单个原子概念的映射，含义是实例中具体要素对应的原子概念。可定义如下的映射关联：Rfic:fife2cRvic:vxivyc（7）式中：fi fe2c表示实例层超关系和概念层超关系事实；vxivyc分别为实例层和概念层的节点。2）概念层向事理层映射Rce概念层向事理层映射，主要由概念层的超关系向事理层的事件实体节点进行映射，映射的含义是原子概念要素集对应的事理事件节点。概念层的事件包含超关系向事件的映射是确定性的；而实例包含超关系由于信息的不完备，往往缺少原子概念，向事件层的映射也因为信息丢失而不确定，需要通过映射函数匹配事件节点。可定义：Re1ce:fe1cveRe2ce:fe2cve（8）式中：fe1c fe2c表示概念层事件包含和实例包含两种超关系事实；ve为事理事件层对应的节点。与自底向上知识映射匹配过程相反，由抽象的事理事件向原子概念和实例的计算、生成过程，称为知识反演计算。知识体系中的反演有以下两种：1）事理层向概念层的反演Rec事理事件向概念层的反演主要是搜索事件相关联的原子概念集合，即事件包含超关系。明确事件包含的原子概念后，需要对应的最可能的平台、装备性能知识网络辅助计算。因此，反演可定义为Re1ec:ve()fe1cGw（9）式中：e1表示概念层的事件包含超关系；ve表示事理层事件节点，fe1c表示与ve对应的事件包含超关系；Gw表示概念层中与已知原子概念相关连的装备性能知识子图：Gw=()VwEwFw（10）式中：Vw表示与实体相关联的装备、平台实体集（含多跳节点）；Ew表示关系类型集；Fw表示关系事实集。2）概念层向实例层的反演Rci概念层向实例层的反演，目的是计算生成与原子概念对应的实例数据节点。基本过程是明确主体、动作和客体，再通过时间、空间、装备性能约束确定辅助信息。因此可定义框架：Re1ci:()vefe1cGw()f*iG*i（11）式中：ve表示事理事件节点；fe1c表示事件包含超关系；Gw表示装备性能知识子图；f*i表示生成的实时实例超关系，有f*i=()e2:v*1v*x；G*i表示由v*1v*x节点及其内部拓扑结构组成的实时实例子图。一般，实例层节点的生成需要领域内各种模型的计算支持。5结语面向海上作战情报态势分析需求，针对作战知识的组织运用问题，提出了分层次的海战场情报态势知识组织框架，构建事理事件层、概念知识层和情报实例层，实现对不同类型知识的组织。采用超关系对多元关系进行解释和描述，增强了知识表达能力。面向事件网络决策需求，并对知识挖掘方法和决策应用模式进行了研究。总体看来，该框架可以为海战场智能辅助决策信息系统提供理论框架，也可为不同领域的知识组织与运用提供借鉴参考。参 考 文 献1田玲，张谨川，张晋豪，等.知识图谱综述表示、构建、推理与知识超图理论 J/OL.计算机应用，2021，41（8）：2161-2186.2席运江，党延忠，廖开际.组织知识系统的知识超网络模型及应用 J.管理科学学报，2009，12（3）：12-21.3方哲，游宏梁，薛非，等.专家知识协作加权超网络模型及其超链路预测研究 J.科研管理，2017：251-258.4田儒雅，刘怡君，牛文元.舆论超网络的领袖引导模型J.中国管理科学，2014，22（10）：136-141.5胡晓峰，贺筱媛，饶德虎.基于复杂网络的体系作战协同41总第350期能力分析方法研究 J.复杂系统与复杂性科学，2015，12（2）：9-17.6韩菁，唐箫，余乐安.基于多层网络链路预测的潜在合作关系识别研究 J.系统工程理论与实践，2021，41（4）：1049-1060.7KIPF T N，WELLING M.Semi-supervised classificationwith graph convolutional networksEB/OL.（2017-02-22）2020-11-12.https：/arxiv.org/pdf/1609.02907.pdf.8VELICKOVIC P，CUCURULL G，CASANOVA A，et.al.Graph attention networks EB/OL.（2018-02-04）2020-11-12.https：/arxiv.org/pdf/1710.10903.pdf.9Guan S，Jin X，Wang Y，et al.Link prediction on n-aryrelational dataC/Proceedings of the 2019 World WideWeb Conference.New York：ACM，2019：583-593.10Guan S，Jin X，et al.NeuInfer：knowledge inference onn-ary facts C/Proceedings of the 58th Annual Meetingof the Association for Computational Linguistics.Stroudsburg，PA：Association for Computational Linguistics，2020：6141-6151.11ZHANG Ruochi，ZOU Yuesong，MA Jian.Hyper-SAGNN：a self-attention-based graph neural network forhypergraphsJ.ArXiv Preprint ArXiv：1911.02613（2019）.12陈华钧.知识图谱导论 M.北京：电子工业出版社，2021.13肖仰华，等.知识图谱：概念与技术 M.北京：电子工业出版社，2020.14朱小燕，等.人工智能：知识图谱前沿技术 M.北京：电子工业出版社，2020.15刘知远，韩旭，孙茂松.知识图谱与深度学习 M.北京：清华大学出版社，202016王昊奋，漆桂林，陈华钧.等.知识图谱：方法、实践与应用 M.北京：电子工业出版社，2020.15刘思彤，张占月，刘达，等.高超声速飞行器防御体系建设顶层构想.现代防御技术J.2022，50（4）：10-16.16 .-.EB/OL.（2021-12-16）2022-09-06.https：/nvo.ng.ru/armament/2021-12-16/7_1170_usa.html.17Our Bureau.Lockheed Martin contracted to augment u.s.anti-ballisticmissiledefensecapability EB/OL.（2021-08-10）2021-09-06.https：/ J.现代防御技术，2022，50（2）：39-44.（上接第5页）投 稿 约 定1.来稿切勿一稿多投。编辑部收到稿件之后，15个工作日内通过电子邮件回复作者。如果一个月内没有收到审稿回复（主要通过电子邮件，特别需要者可寄送纸质录用通知），则请与本刊编辑部联系确认。2.来稿文责自负。所有作者应对稿件内容和署名无异议，稿件内容不得抄袭或重复发表。编辑部对来稿有权作技术性和文字性修改，实质性内容修改需征得作者同意。3.请作者严格遵守国家有关保密法规，文稿须经作者所在单位保密审查后才能刊载。发表后的文稿若出现泄密问题，由作者自行负责。4.论文一经发表，赠送当期样刊贰册。5.本刊已许可有关合作单位以数字化方式复制、汇编、发行并由互联网传播全文，不存在相关著作权使用费用问题。作者向本刊提交论文发表的行为视为同意我刊上述声明。苏琦等：海战场情报态势知识超图组织与运用42