面向海上军事应用的知识图谱智能推荐方法∗

佟立飞

（92493部队 葫芦岛 125000）

1 引言

随着现代科技和军事的发展，海军指控领域可以通过卫星获取到海上态势图像，通过无人机获得海上态势视频、舰载雷达信号、海上舰艇通信信号等信息，涵盖了大量的图像、视频、网络和雷达信息［1～5］，这些多源异构数据使得海上军事指控领域内呈现出数据爆炸的趋势，如何在庞大的数据中找到海上军事指控领域人员所需的信息是目前需要解决的问题。

智能推荐也叫个性化推荐，通过获取用户关注、购买商品的信息形成用户画像，从而根据用户画像为用户推荐有可能喜欢的商品或商品的信息。知识图谱通过知识表示、知识抽取、知识存储、知识融合、知识推理等方法将海量数据进行统一的表示和组织，从而使得网络上纷繁复杂的各种结构和形式的数据变成计算机可以理解的知识库，从而形成语义网络，最后得到知识图谱。知识图谱汇集各类数据、建立数据间的关系、同时保留丰富的语义信息，可以通过推理的方法挖掘出数据中隐含的信息［6］。领域知识图谱则根据领域特点，构建表达领域内知识结构的领域本体，在领域本体的基础上可以构建出知识准确度更高的领域知识图谱。

使用基于知识图谱的智能推荐可以提高数据的关联度和准确度，可以提高海上军事指控领域人员信息的准确度得到更加准确的用户画像，也可以加强海上军事指控领域人员与海上军事领域信息之间、海上军事指控领域人员与人员之间、海上军事指控领域信息与信息之间的关联度，从而提高智能推荐的准确度，增大智能推荐的范围，使智能推荐拥有更加智能的效果，实现在庞大复杂的海上军事指控领域数据中精准找到有效的信息，并将这些信息推荐给需要或有可能需要这些数据信息的海上军事指控领域人员。

2 相关工作

国内外学者对商用信息推荐技术进行了研究分析。Ali F等［7］将社交机器人领域使用了智能推荐技术，使用该技术为输入的问题推荐答案，实现了人机交互的智能问答功能；文俊浩等［8］对标签语义进行了研究，通过改进潜在Dirichlet分布建模的方法改进了推荐算法，从而提高了推荐准确度；崔金栋等［9］通过建立融合的智能推荐信息模型，提高了基于社交软件的智能推荐信息的质量；李浩君等［10］通过基于情景感知进行建模和使用自定义规则推理的方法，实现了在移动网络下对移动设备信息的个性化推荐；张兴旺［11］通过对图书馆知识信息搜索所涉及到的智能推荐信息服务进行分析，提出了信息智能推荐业务链，从而提高了知识检索的质量和速度。CA-MRS情景感知音乐推荐系统通过融合模糊系统、贝叶斯网络和效用理论的方法实现了根据情景推荐适合该情景的音乐的功能［12］。

3 融合知识推理与协同过滤的智能推荐方法

本文在海上军事知识图谱的基础上采用融合知识推理与协同过滤的方法来实现智能推荐。协同过滤（Collaborative Filtering，CF）算法是一种应用范围最广、应用时间最长的推荐算法［13］。目前基于知识图谱的智能推荐系统有很多，大多数都是针对开放性的网络数据进行研究，但是基于开放知识图谱的数据对于领域来说准确度较低，所以本文考虑到各个领域间数据量、数据内容、数据特点的不同，提出采用基于规则的知识推理方法与协同过滤的方法相融合的方法来进行智能推荐。首先构建基于本体模型的海上军事知识图谱，然后提出海上军事知识图谱中的领域人员相似度计算方法和领域信息相似度计算方法，根据相似度计算结果为海上军事知识图谱中的领域人员节点之间和信息节点之间建立强关联，最后根据领域人员节点和领域信息节点之间的强关联关系制定知识推理规则从而达到智能推荐的效果。

3.1 构建海上军事知识图谱

使用海上军事领域内的专业数据和数据间的关系，抽象出海上军事领域内的概念、概念的属性和概念间的关系，构成海上军事领域本体模型。使用Protégé工具对海上军事领域内的概念进行定义，并为概念增加属性，添加概念间的关系，形成的海上军事领域本体模型，本体模型中部分概念如图1所示。

图1 海上军事领域本体模型

在海上军事领域本体模型的基础上构建海上军事领域知识图谱，将海上军事领域内的数据映射到海上军事领域本体模型的概念和概念的属性上，将海上军事领域内数据间的关系映射到海上军事领域本体模型概念间的关系上。最后使用ECharts技术对海上军事领域知识图谱进行可视化展示，如图2所示。

图2 海上军事知识图谱可视化展示

3.2 建立海上军事领域人员、信息间的强关联

3.2.1 计算海上军事领域知识图谱中的用户相似度

对海上军事领域知识图谱中用户间的属性值进行相似度计算，将每个用户看作是一个向量，通过计算向量间的余弦值得到用户间的相似度。定义用户为U，

用户间的相似度计算公式如下所示：

为海上军事领域知识图谱中的每个用户计算其与其他用户间的相似度，得到该用户与其他用户的相似度表，定义用户的相似度表为Lu。

对得到的用户相似度表的相似度值进行从大到小的排序后就可以通过用户的相似度用户表分析得到与用户较为相似的其他用户。设定用户间的相似度阈值VU，当两个用户的相似度值大于VU时，为两个用户间建立一条表示强关联的关系。

3.2.2 计算海上军事领域知识图谱中的信息相似度

在海上军事领域知识图谱中，每条信息都是图谱中的一个拥有很多属性的实体，对信息实体进行相似度计算，定义信息为M。

首先计算信息间的余弦相似度，公式如下所示：

然后计算信息节点间在海上军事领域知识图谱间的距离，步骤如下：

1）定义每个节点D的值WD为这个节点子节点的个数Sum（D）。

2）两个信息节点间的距离Dis(MA，MB)为它们间的路径距离k和它们路径上所有节点｛D｝的值｛WD｝，两个信息节点间距离计算公式如下所示：

最后计算信息节点间的相似度SIM(MA，MB)，将信息的余弦相似度simi(MA，MB)与信息节点的距离Dis(MA，MB)相乘得到两个信息节点的相似度，公式如下所示：

为了减少计算量，提高信息相似度计算的效率，对SIM(MA，MB)公式进行优化，优化后的公式如下所示：

通过对信息节点的相似度计算，得到每个信息节点的相似信息节点列表，设定信息节点间的相似度阈值VM，当两个信息节点的相似度大于阈值VM时，为两个信息节点增加一条强关联的关系。

3.3 智能推荐

1）为用户推荐新的海上军事领域信息

计算海上军事领域知识图谱新增的信息节点与其他信息节点的相似度，得到该信息节点的相似信息节点列表，在海上军事领域知识图谱中找到与列表中大于相似度阈值VM的信息节点有关联的用户节点，为新增的信息节点与这些用户节点间建立弱关联，将新信息节点推荐给这些用户节点，再将该新增信息节点推荐给与该用户节点有强关联关系的用户节点。

2）为新的用户推荐推荐海上军事领域信息

当海上军事领域知识图谱中出现新的用户节点时，因为没有与该用户有关的信息节点，所以根据用户的属性与海上军事知识图谱内的其他用户节点计算相似度，为新的用户推荐相似度阈值大于VU的其他用户节点有关联的信息节点。

3）建立智能推荐知识推理规则

使用SWRL语言建立海上军事领域知识图谱中为用户推荐信息的知识推理规则：

通过建立SWRL推理规则，为海上军事领域知识图谱中的用户节点和信息节点间建立联系，从而实现根据指挥员已关注的信息为其推荐有可能想要关注的信息。

4 实验结果

由于目前海上军事领域数据保密性高，本文以经过脱密处理的部分数据为例，使用提出的面向海上军事应用的融合知识推理与协同过滤方法的知识图谱智能推荐方法，为海上军事领域知识图谱中的领域用户节点推荐领域信息。

首先根据海上军事知识图谱中用户关注的信息类别得到用户关注列表，再计算领域内新增的信息资源与用户关注的信息资源地相似度，设定当资源相似度高于70%时将该资源推荐给用户。如图3所示，用户1关注了态势、武器状态、综合海情三个类别的信息资源，则使用公式：

图3 海上军事知识图谱领域信息智能推荐结果

计算领域内新增的信息资源与用户关注的这三个类别下的信息资源的相似度，将相似度高于70%的新增信息资源推荐给用户1，得到推荐列表为某海域海情信息、某地区态势信息、某部队传感器使用情况、某舰艇武器装载情况、某舰艇某日武器状态和某海域武器分布情况（信息资源名称已经过脱密处理）。用户1可以根据推荐列表，选择是否对新增的信息资源进行关注。

5 结语

本文考虑到海上军事领域数据的独特性，提出了融合基于规则的知识推理与协同过滤的方法来实现面向海上军事应用的知识图谱智能推荐。该方法通过计算海上军事知识图谱中的领域人员相似度和领域信息相似度的方法，为海上军事知识图谱中的领域人员节点之间和信息节点之间建立强关联，最后根据领域人员节点和领域信息节点之间的强关联关系制定知识推理规则从而达到智能推荐的效果。实验结果表明该方法可以有效地为用户推荐领域信息。