一种图嵌入学习知识图谱的战场情境推理方法

本发明属于战场情境领域，尤其涉及一种图嵌入学习知识图谱的战场情境推理方法。

背景技术：

1、态势感知(sa)指对环境中目标的认知、对其意义的理解以及对其近期状态的预测，是一种基于环境的动态从整体洞悉安全风险的能力，覆盖感知、理解和预测3个层次。endsley的态势感知模型已被广泛采用，包括感知、理解和预测3个不同阶段或层次,该模型整个过程以人为主导，整个过程依赖指挥人员的心智。态势感知概念最早在军事领域提出，已成为军事指挥和控制(c2)不可分割的一部分。战场态势感知需综合利用多方面的数据，并进行数据的处理、融合和分析，最终进行辅助作战决策。战场态势感知的数据来源包括各类情报信息(开源情报、地理空间情报和信号情报等)、传感器数据、卫星数据、侦察数据、雷达数据和各种目标装备产生的数据，以及历史规律知识和人的战场知识等。

2、这些数据具有类型多、数据量大、结构复杂和数据稀疏等特点。从数据格式角度看，常用作战数据类型包括情报文本、图像、视频、语音、数据库、时序数据、地理信息系统(gis)数据、格式报和矢量图等，包含了结构化数据、半结构化和非结构化数据。作战态势知识从各类作战数据中使用相应的知识提取技术提取出来，以及由指挥人员从历史经验中总结出来；知识类型也非常多，包括基础的目标知识及目标间的关系、战场地理环境、事件与事件间的关联、时空知识、作战规则知识和指挥流程等。计算机如何有效表示与组织这些数据和知识，如何实现数据和知识的有效处理、理解并基于这些数据和知识进行推理计算，是实现战场态势感知中感知、理解和预测3个阶段的前提条件，是最终为作战决策提供有效支撑的基础。

3、知识图谱是一种图形化的知识表示方式，它可以将复杂的知识体系以图谱的形式展现出来，使得人们可以更加直观地了解其中的关系和规律。以多模态态势知识图谱为基础的知识推理计算能力能够极大程度提升预测能力。

4、由于知识图谱的天然不完整性，且随着时间的推移知识图谱中的知识也会发生变化。为了消除知识图谱中的不一致性、补充知识图谱中的缺失关系，需要对知识图谱中的知识执行知识推理。知识推理可以根据已有的事实和关系，自动地推导出新的事实和关系，从而丰富知识图谱的内容和质量，进一步提升其应用效果。

5、基于嵌入式的知识补全模型已成功应用于大规模的知识图谱。这些模型构建了在训练数据中观察到的实体和关系的分布式表示(或向量嵌入)，并在此基础上使用各种向量操作来预测缺失的关系三元体。当新的实体出现在训练后的三元体关系系统中时，由于这些实体对于系统来说是未知的，系统没有他们的嵌入，因此没有一种方法来预测这些实体的关系。目前在军事领域的知识图谱应用推理依然较少，缺乏领域特点和针对性，难以实现准确和高效构建。

技术实现思路

1、本发明的目的在于提出一种图嵌入学习知识图谱的战场情境推理方法，构建多模态战场情境知识图谱，将图注意力网络应用于知识图谱，提出一种新的实体与关系嵌入方式，建立关系和相邻节点之间的注意力机制，有效预测实体之间的关系，提高了知识推理模型的准确率。

2、为实现上述目的，本发明提供了一种图嵌入学习知识图谱的战场情境推理方法，包括：

3、提取战场信息中的知识图谱三元组；

4、对所述知识图谱三元组进行编码，获取嵌入向量；

5、对所述嵌入向量计算得分，获取所述知识图谱三元组的分数，基于所述分数，获得战场情境推理的实体关系。

6、可选地，提取战场信息中的知识图谱三元组包括：

7、从所述战场信息中提取战场的态势知识单元，获取知识单元实体；

8、基于所述知识单元实体，定义不同知识单元之间的典型关系，获取关系集合；

9、基于所述知识单元实体和所述关系集合，构成知识图谱；

10、将所述知识图谱中的事实与关系定义为所述知识图谱三元组。

11、可选地，利用图关注网络模型对所述知识图谱三元组进行编码；

12、利用图关注网络模型对所述知识图谱三元组进行编码包括：

13、对所述知识图谱三元组进行向量表示的嵌入转换；

14、对所述知识图谱三元组的向量表示进行线型变换，并应用leakyrelu非线性来获取所述知识图谱三元组的绝对关注值；

15、通过softmax函数将所述绝对关注值转化为相对注意力值；

16、对所述相对注意力值和所述知识图谱三元组的向量表示进行加权求和，获取实体的预设新嵌入；

17、基于预设权重矩阵，对输入的知识图谱中的实体与关系的向量嵌入表示进行线性变换，获取关系矩阵的新嵌入；

18、对所有的所述绝对关注值和所述相对注意力值以及实体的预设新嵌入，采用求平均的方法来获取实体的最终嵌入量；

19、将所述关系矩阵的新嵌入与所述实体的最终嵌入量进行结合，获取综合的实体嵌入，基于所述综合的实体嵌入完成知识图谱三元组的编码。

20、可选地，所述知识图谱三元组的向量表示为：

21、

22、其中，是三元组的向量表示，向量和分别表示实体ei、ej和关系rk的嵌入，w1表示线性变换矩阵。

23、可选地，所述绝对关注值为：

24、bijk＝leakyrelu(w2cijk)

25、其中，w2为第一预设权重矩阵，bijk为绝对关注值，cijk为三元组向量表示；

26、所述相对注意力值为：

27、

28、其中，αijk为相对注意力值，ni表示实体ei的邻域，rij表示连接实体ei和ej的关系集，binr为三元组：实体i、n与关系r的绝对注意力值，n为n∈ni表示实体i的所有相邻实体，r为r∈rij表示连接每个实体之间的关系。

29、可选地，所述预设新嵌入为：

30、

31、其中，为预设新嵌入，i为实体，k为i与j之间的关系表示；

32、线性变换后的关系嵌入矩阵为：

33、g′＝g·wr

34、其中，g′为线性变换后的关系嵌入矩阵，g为关系嵌入矩阵，wr为第二预设权重矩阵。

35、可选地，所述最终嵌入量为：

36、

37、其中，为最终嵌入量，m为表示实体ei的m个独立的注意力机制嵌入，mm求和，为第m个相对注意力值，为i的第m个三元组向量。

38、可选地，将所述知识图谱三元组输入图关注网络模型中进行编码前还包括：

39、用hinge-lose损失函数来训练所述图关注网络模型；

40、所述hinge-lose损失函数为：

41、

42、其中，γ>0为一个边际超参数，s为有效三元组的集合，s′为无效三元组的集合，tij为公式中有写，tij∈s，t′ij为t′ij∈s′，d为表示三元组的l1范数度量；

43、所述无效三元组的集合为：

44、

45、其中，为头部实体被替换的三元组，e′i为替换头部实体的随机实体，ε为实体，ei为头部实体，e′j为替换尾部实体的随机实体，ej为尾部实体。

46、可选地，利用解码器得分模型计算所述嵌入向量的得分；

47、所述解码器得分模型为：

48、

49、其中，为解码器得分模型，m为第m个过滤器，为上文模型构建出的三元组嵌入，ωm为第m个卷积过滤器，ω为所使用过滤器数量的超参数，*为一个卷积算子，w为用于计算三元组的最终分数的线性变换矩阵。

50、可选地，利用所述解码器得分模型计算所述嵌入向量的得分前还包括：

51、通过最小化损失函数来训练所述解码器得分模型；

52、所述最小化损失函数为：

53、

54、其中，为最小化损失函数，为有效三元组与无效三元组的并集，为得分模型，λ为正则化参数即约束参数。

55、本发明具有以下有益效果：

56、本发明首先从战场信息中提取知识图谱三元组；将图注意力网络应用于知识图谱，对知识图谱三元组进行编码，获取嵌入向量，提出了一种新的实体与关系嵌入方式，建立了关系和相邻节点之间的注意力机制，再通过对所述嵌入向量计算得分，能有效预测实体之间的关系，提高了知识推理模型的准确率。