基于圖嵌入的兵棋聯合作戰態勢實體知識表示學習方法

來源：《指揮控制與仿真》，作者王保魁等

摘 要:為將基于離散符號的兵棋聯合作戰態勢實體知識表示為機器更加容易學習、處理和應用的形式,根據兵棋聯合作戰態勢實體知識的特點,提出一種基于圖嵌入的兵棋聯合作戰態勢實體知識表示學習方法。該方法采用基于元路徑的多層異構圖嵌入模型,對想定場景中的兵棋聯合作戰態勢實體及其關系知識進行表示學習,將其映射為連續向量空間中的稠密實值向量,從而有效揭示兵棋聯合作戰態勢實體之間的全局隱含特征,為大規模聯合作戰態勢知識的獲取、融合與推理奠定良好基礎。實驗結果表明,基于圖嵌入的兵棋聯合作戰態勢實體知識表示學習方法針對性強,對于評估指標提升較大,為復雜兵棋聯合作戰態勢知識的表示學習提供了可行范例。

關鍵詞:兵棋;聯合作戰態勢知識;圖嵌入;知識表示學習;元路徑

聯合作戰態勢是聯合作戰時空、信息、表征和不確定性等多重復雜因素綜合作用的結果,是聯合作戰復雜性的外在表現[1]。對反映聯合作戰態勢的實體知識進行客觀準確表征,是研究聯合作戰態勢的基礎和前提,其核心和要點在于描繪聯合作戰態勢實體之間的復雜關聯關系[2]。作戰大數據是聯合作戰態勢知識的主要來源,具有海量、稀疏和結構復雜等特點[3]。聯合作戰態勢知識表示是在特定場景范圍內,針對聯合作戰態勢實體和關系進行建模,使得機器可以學習、處理和運用各種聯合作戰態勢知識[4]。傳統基于離散符號的聯合作戰態勢知識表示方法善于表征顯性的形式化作戰態勢知識,但計算效率低下,不易融合擴展。需要進一步深入探索聯合作戰態勢實體知識的非形式化表示方法,將聯合作戰態勢知識表示為機器易于計算、學習和處理的形式,為智能指揮決策提供堅實的基礎知識支撐[5]。

聯合作戰態勢實體知識表示學習是面向聯合作戰態勢知識中的實體及其關系知識進行表示學習,將聯合作戰態勢知識中的實體、屬性及其關聯關系表示為連續向量空間中的稠密實值向量,使得機器可以高效學習、處理和運用各種聯合作戰態勢實體知識。其本質是在低維向量空間中對符號化的聯合作戰態勢實體及其關系語義知識進行向量化重構,從而提高知識計算效率,實現異構信息融合,有效緩解數據稀疏帶來的諸多知識計算難題,有效提升聯合作戰態勢知識獲取、融合、推理的性能[6]。因此,在知識表示學習過程中保證聯合作戰態勢知識的結構信息以及實體和關系的語義描述信息不失真,確保從離散符號向連續向量映射的準確性顯得極為重要。由于聯合作戰態勢實體知識的異構性特征和層次化特點,對于聯合作戰態勢實體知識的表示學習主要存在兩方面挑戰:一是聯合作戰態勢實體之間可能存在不同類型的連接關系,使得聯合作戰態勢實體知識難以進行統一嵌入表達;二是作為聯合作戰態勢實體關系連接服從冪率分布,存在大量擁有少量鄰居節點的聯合作戰態勢實體節點,此類實體節點難以有效表征。

兵棋作為一種特殊的戰爭模擬系統,是研究智能化作戰的重要工具和手段,也是檢驗軍事智能技術和探索軍事智能應用的最佳平臺,可為聯合作戰態勢實體知識的表示學習研究提供了重要依托。本文依托兵棋推演平臺,以兵棋聯合作戰想定場景中的態勢實體、屬性及其關系為基礎,提出一種基于元路徑的多層異構兵棋聯合作戰態勢實體知識表示學習方法,通過設計合理的兵棋聯合作戰態勢實體知識元路徑模式,利用兵棋聯合作戰態勢實體豐富的屬性信息和不同實體類型的多層拓撲結構信息,力圖捕捉兵棋聯合作戰態勢實體知識的多層異構網絡結構信息和實體語義關聯信息,從而有效提升基于離散向量的聯合作戰態勢知識的表征能力。實驗結果表明,在聯合作戰態勢實體關系推理任務中,本文提出的算法性能更佳。

1 圖嵌入概述

圖嵌入(Graph Embedding)也稱網絡嵌入(Network Embedding)或圖表示學習(Graph Representation Learning)。其通過將信息網絡嵌入低維向量空間,實現網絡實體分類、關系推理和社團檢測等任務?；趫D嵌入的兵棋聯合作戰態勢實體知識表示學習是下游深度學習和多關系型聯合作戰大數據挖掘任務的基礎。根據圖的網絡結構特性不同,目前的圖嵌入模型研究主要集中在同質網絡嵌入、異構網絡嵌入和多層異構網絡嵌入三個方面。

1.1 同質網絡嵌入

同質網絡(Homogeneous Network)中互相連接的實體和關系類型傾向于具有更多的相似性。DeepWalk[7]模型采用無監督特征學習技術,通過隨機游走的方式,從信息網絡中的某個節點開始生成文本序列,然后，采用Skip-Gram模型訓練得到網絡節點的詞向量。LINE[8]模型為解決大規模網絡嵌入問題,將節點的一階相似性與二階相似性引入目標函數,能夠更加靈活地對信息網絡的局部結構和全局結構特征進行知識表示學習。與DeepWalk模型相比,LINE模型適用范圍更廣,可用于有/無向圖,以及有/無權圖的知識表示學習。node2vec[9]模型靈活定義了節點網絡鄰居概念,設計了一個偏置隨機游走過程,通過綜合考慮深度優先和廣度優先搜索,實現了對鄰居實體的有效探索,從而學習到了更加豐富的實體知識表示信息。SDNE[10]模型為應對圖嵌入知識表示的高度非線性、結構特征保持和網絡稀疏難題等挑戰,采用半監督深度學習模型,通過設計合理的目標函數保留網絡結構的局部和全局信息,并對稀疏網絡具有魯棒性。圖神經網絡(GNN)是一種基于圖結構的深度學習模型,其目標是學習包含鄰居信息的節點狀態嵌入向量[11]。GCN[12]模型是一種基于卷積神經網絡(CNN)的圖結構數據半監督學習方法,受圖譜卷積局部結構一階相似選擇的啟發,將圖的結構特征和節點的特征信息共同編碼進行知識表示學習。GraphSAGE[13]模型提出了一個通用的歸納框架,有效利用網絡節點的特性信息為以前未見過的實體節點生成嵌入向量。與以往為每個實體節點單獨訓練嵌入向量不同的是,GraphSAGE模型提供了一個通過從實體節點的本地鄰居中采樣和聚集特性來生成嵌入向量的函數。

1.2 異構網絡嵌入

異構網絡(Heterogeneous Network)相對于同質網絡而言,網絡中的實體節點或邊具有多種類型。由于異構網絡中實體節點和邊類型的多樣性特征,其網絡特性挖掘和網絡表示學習的難度較大。PTE[14]模型提供了一種用于文本數據的半監督預測性文本嵌入方法。首先將標記信息和不同層次的詞共現信息表示為一個大規模的異構文本網絡,然后將其嵌入到一個低維向量空間中。PTE模型不僅保留了單詞和文檔的語義相近性,而且對特定任務具有很強的預測能力。metapath2vec[15]模型首先基于元路徑的隨機游走方法,形式化構造網絡實體節點的異構性鄰居,然后利用異構Skip-Gram模型進行實體節點嵌入。metapath2vec++模型則進一步通過對異構網絡的結構和語義相關性特征進行網絡嵌入學習。metapath2vec和metapath2vec++不僅在各種異構網絡挖掘任務中表現突出,而且還能分辨不同網絡實體之間的結構和語義相關性。HERec[16]模型設計了一種基于元路徑的隨機游走策略來生成有意義的節點序列進行網絡嵌入。首先利用一組融合函數對學習到的節點嵌入進行變換,然后將其集成到擴展的矩陣分解模型中,將擴展后的矩陣分解模型與融合函數結合起來,對等級預測任務進行聯合優化。

1.3 多層異構網絡嵌入

現實世界的許多網絡不僅節點類型多樣,而且具有多重結構,稱之為多層異構網絡(Multiplex Heterogeneous Network)。PMNE[17]模型提供了網絡聚合、結果聚合和層間協同分析三種方法,將多層網絡映射到連續向量空間?！熬W絡聚合”和“結果聚合”可以在不利用層間交互的情況下,將標準的網絡嵌入方法應用于合并后的圖或每一層,為多層網絡尋找向量空間。“層間協同分析”考慮了層間相互作用的影響,能夠將任何單層網絡嵌入方法擴展為多層網絡。MVE[18]模型通過投票機制,設計了一種多層網絡表示學習方法。通過在投票過程中引入注意力機制，對多視圖的權重信息進行整合,將多層網絡嵌入到魯棒性最高的單個協作嵌入向量中。MNE[19]模型在保持關系特性的基礎上,結合不同類型的關系信息,對每個節點分別提出了一種高維的通用嵌入和一種低維的附加嵌入方法。該模型可以基于統一的網絡嵌入模型,聯合學習多個關系嵌入向量。Mvn2vec[20]模型研究了保存和協作對網絡表示學習的影響,探索了同時建模來獲得更好的嵌入質量的可行性。該模型證實了保存和協作對于多層網絡嵌入的有效性和重要性。AMHEN模型提出了一個支持直推學習和歸納學習的通用框架GATNE和GATNE-I,并將網絡實體的屬性考慮在內進行圖嵌入學習。該模型的基本嵌入和屬性嵌入可以在不同類型的實體關系中共享,而邊嵌入通過自注意力機制對鄰域信息進行匯聚計算。

綜合分析上述四種嵌入模型,多層異構網絡嵌入模型考慮了聯合作戰態勢實體知識結構的多層次特征,以及實體和關系的類型多樣性特征,更加符合聯合作戰態勢實體及其關系的特點。但由于真實想定場景中聯合作戰態勢知識圖譜的結構及其元路徑模式相比公開數據集而言更加復雜,僅基于網絡的結構特征和固定元路徑模式進行聯合作戰態勢知識表示學習,無法完全反映聯合作戰態勢實體及其關系的復雜語義描述信息,需要根據軍事領域知識的具體特點進行針對性建模。本文以兵棋聯合作戰態勢實體知識圖譜為起點,深入分析聯合作戰態勢知識圖譜的實體和關系類型,充分利用實體屬性描述信息,并結合自注意力機制,根據聯合作戰體系構建內容,設計了五種不同類型的實體關系類型模式,采用圖嵌入模型中的變長元路徑計算方法,對聯合作戰態勢中的實體及其關系進行知識表示學習。

2 模型定義

定義1:兵棋聯合作戰態勢實體知識圖譜G=(V，E),描述兵棋聯合作戰態勢的實體及其關聯關系。更進一步講,是通過作戰態勢實體特征的概念化,以及實體關系的語義化對兵棋聯合作戰想定場景的態勢實體及其關系進行整體描述,如圖1所示。其中,V={v1，v2，…，vn}表示聯合作戰態勢中的實體集,vi表示聯合作戰態勢實體,如各種飛機類型實體、目標類型實體等,n表示聯合作戰態勢中實體的數量。E={eij}表示實體之間的關系集,eij={vi，vj}表示節點vi和vj間的關系,權重wij≥0表示vi和vj間語義關系的屬性強度。由于兵棋聯合作戰態勢實體間關系具有明確的指向性,因此兵棋聯合作戰態勢知識圖譜為有向有權圖,且eij≠eji和wij≠wji。如海軍航空兵對敵水面艦船實施火力打擊,由于受環境、飛機武器掛載以及艦艇類型等不同因素的影響,不同類型的飛機對不同類型艦船的命中概率不同,都能夠通過聯合作戰態勢實體知識圖譜進行整體描述。

圖1 兵棋聯合作戰態勢實體知識圖譜示意圖

定義2:多層異構兵棋聯合作戰態勢實體知識圖譜G=(V,E,O,R,A)滿足態勢實體類型映射函數φ:V→O和關系類型映射函數ψ:E→R。其中,O和R分別表示實體和關系類型的集合。對聯合作戰想定場景中的每一個態勢實體v∈V和關系e∈E均屬于某一特定的實體或關系類型,即φ(v)∈O和ψ(e)∈R,且|O|+|R|>2。否則,該兵棋聯合作戰態勢知識圖譜是同質的。因此,多層異構兵棋聯合作戰態勢知識圖譜中的實體及關系不再簡單表示為vi和eij,而是加入了相應的類型描述,分別表示為

和

表示多層異構兵棋聯合作戰態勢實體知識圖譜中實體包含的屬性信息集。

定義3:多層異構兵棋聯合作戰態勢實體知識圖譜嵌入是給定兵棋聯合作戰態勢異構實體知識圖譜,在不同實體關系類型情況下,學習不同類型態勢實體在低維連續向量空間中的實值嵌入向量,即對每一種不同的實體間關系類型r,通過映射函數fr:V→

d學習實體集V的低維嵌入向量X∈

|V|×d。其中,d?|V|,Xv表示實體節點v的嵌入向量。

3 模型框架

如圖2所示，本節重點介紹基于元路徑的多層異構兵棋聯合作戰態勢實體知識圖譜嵌入模型框架。該模型框架主要由兩部分組成,分別是兵棋聯合作戰態勢實體知識表示學習模型和異構Skip-Gram模型。前者通過匯聚生成態勢實體的低維嵌入向量捕捉聯合作戰態勢實體知識圖譜的網絡拓撲結構信息、實體屬性信息和實體關系信息,其結果作為異構Skip-Gram模型的輸入學習捕捉態勢實體知識的語義信息。

圖2 多層異構兵棋聯合作戰態勢實體
知識圖譜嵌入模型框架

兵棋聯合作戰態勢實體知識表示學習模型主要由三部分組成,分別是基本嵌入向量生成模型、實體節點屬性向量生成模型和邊嵌入向量生成模型。三個模型的輸出結果匯聚生成聯合作戰態勢實體嵌入向量。對于基本嵌入向量生成模型,沒有考慮不同類型實體以及不同類型實體關系對生成實體節點嵌入向量的影響,只考慮了多層異構兵棋聯合作戰態勢實體知識圖譜的結構特征,采用隨機游走方法直接生成每個實體節點vi的基本嵌入向量bi。當進一步考慮實體節點的屬性對生成實體嵌入向量的影響時,實體嵌入向量是相應實體類型z=φ(vi)的函數,表示為bi=hz(xi)。值得注意的是,對于不同類型的實體節點vi,其屬性向量xi可能具有不同的維度。

對于每個實體節點vi在實體關系類型r情況下的k階邊嵌入向量,由實體節點vi鄰居的邊嵌入向量聚合而成,表示為

(1)

其中,Ni,r表示與實體節點vi關系類型為r的鄰居節點集合。模型中,每個關系類型為r的實體節點vi初始邊嵌入向量為實體屬性xi的函數,表示為

其中,gz,r是關系類型為r的實體節點vi的特征轉換函數,邊嵌入向量的聚合函數采用平均聚合而成。因此,公式(1)可進一步表示為

(2)

其中,σ(x)=1/(1+exp(-x))為Sigmoid激活函數。將實體節點vi的所有K階邊嵌入向量

表示為ui,r。

最終,聚合成實體節點vi的s×m維邊嵌入向量Ui：

Ui=(ui，1，ui，2，…，ui，m)

(3)

其中,s表示邊嵌入向量的維度,m表示與實體節點vi連接的邊類型的數量。

根據以上分析,計算匯聚后的邊類型為r的兵棋聯合作戰態勢實體節點vi的嵌入向量vi，r,可得

(4)

其中,bi表示實體節點vi的基本嵌入向量。αr為超參數,表示在總的實體嵌入向量中邊嵌入向量的重要性。

表示需要訓練的變換矩陣。由于自注意力機制有利于捕捉影響力更強的邊類型[21]，因此,本文采用自注意力機制計算r型邊的實體節點嵌入向量Ui的線性向量組合系數ai，r∈Rm:

(5)

其中,wr和Wr分別表示r類型邊的da維和da×s維訓練參數,上標T表示向量或矩陣的轉置運算。由此,可以進一步得到

(6)

其中,λp表示ai,r的第p個元素,計算方法為

(7)

對于實體節點vi的屬性向量生成項,βr為超參數,Dz表示實體類型為z的節點vi的特征轉換矩陣。

模型首先采用基于元路徑的隨機游走方法匯聚生成兵棋聯合作戰態勢實體知識的節點序列,然后，采用異構Skip-Gram模型[22]學習序列中實體知識節點的嵌入向量。具體而言,從邊類型r的角度描述兵棋聯合作戰態勢知識圖譜時,生成子圖Gr=(V,Er,A),進而可以從中提取邊類型為r的元路徑模式Γ:V1→V2→…→Vt→…→Vl。其中,游走的元路徑模式Γ通過預先定義完成,l表示該元路徑模式Γ的長度。然而,由于兵棋聯合作戰態勢實體的關系復雜性特征,本節基于聯合作戰體系的構建內容,將兵棋聯合作戰態勢實體間關系定義為偵察情報關系、指揮控制關系、聯合打擊關系、信息保障關系和后裝保障關系5類。然而,在這些不同類型的聯合作戰態勢實體關系中,每種關系的實體關聯元路徑長度并不一致。以聯合打擊關系元路徑模式為例,空中飛行中隊通過選擇的作戰飛機類型及其掛載類別,選擇掛載相應的攻擊性武器,并通過空空武器殺傷指數定義表對相應空中飛行目標類別的機型實施打擊。但對后裝保障關系元路徑模式,要對攻擊性武器實施保障,首先應確定保障的后勤物資類型,然后實施相應的保障。因此,本節在每種關系內部采用變長元路徑模式描述實體之間的語義聯系。基于馬爾科夫過程,在步驟t時基于元路徑模式隨機游走的轉移概率定義為

(8)

其中,vi∈Vt,Ni,r表示與實體節點vi關系類型為r的鄰居?；谠窂降碾S機游走策略可以確保不同類型節點之間的語義聯系,從而將更加合適的實體節點序列輸入異構Skip-Gram模型,增強基于語義信息的嵌入向量生成效果。假設在類型為r邊上長度為l的隨機游走路徑為P=(vp1,…,vpl)。由此可得,該路徑上的邊(vpt-1,vpt)∈Er(t=2…l)所處的語義上下文為C={vpk|vpk∈P,|k-t|≤c,t≠k}。其中,c為上下文窗口半徑。

因此,在給定實體節點vi及其路徑語義上下文C情況下,多層異構兵棋聯合作戰態勢實體知識圖譜嵌入模型的目標是最小化以下負對數似然函數:

-logPθ({vj|vj∈C}|vi)=∑vj∈C-logPθ(vj|vi)

(9)

其中,θ表示模型相關參數。本章采用異構softmax函數對實體vi的節點類型進行歸一化處理,然后，在給定實體節點vi情況下，計算游走到實體節點vj的轉移概率,可得

(10)

其中,vj∈Vt,ck表示實體節點vk的上下文向量,vi表示邊類型為r的實體節點vi匯聚后的嵌入向量。

最后,采用異構負采樣方法計算每個實體節點對的目標函數-log?Pθ(vj|vi)可得

(11)

其中,L為訓練樣本中的負樣本數量,vk由實體節點vj對應集合Vt中定義的噪聲分布中隨機選取。模型算法總結如表1所示。

4 實驗分析

首先介紹實驗過程中采用的兵棋聯合作戰態勢實體知識數據集及相關基線模型,然后根據兵棋聯合作戰態勢實體關系，推理任務評估算法性能,最后通過模型參數的敏感性分析討論模型的魯棒性。

1)數據集

本節聚焦多模態兵棋聯合作戰態勢實體知識獲取任務,采用多層異構兵棋聯合作戰態勢實體知識圖譜作為知識庫。知識庫中包括兵棋聯合作戰態勢相關的人員、裝備、設施、目標、自然環境和作戰能力等類型實體及其屬性信息,以及基于聯合作戰體系內容視角的不同態勢實體間關系,其中包括情報偵察關系、指揮控制關系、聯合打擊關系、信息保障關系和后裝保障關系。以指揮控制關系類型為例,本節根據聯合作戰體系構建內容基本理論,貫穿戰略、戰役、戰術各層級,從作戰集團到聯合作戰指揮機構,再到作戰任務執行部隊,以及具體的作戰行動人員或裝備,設計構建完整的聯合作戰指揮控制關系類型元路徑模式。該元路徑模式不再詳細區分隸屬、配屬、所屬、指揮等細粒度關系類型,而是聚焦于聯合戰役級指揮控制相關態勢要素,將該元路徑上相關的部隊、人員、裝備等實體之間的序列關系均定義為指揮控制關系。該方法既反映了聯合作戰體系構建的基本特征,同時減少了態勢實體間的關系類型數量,降低了模型計算的復雜度,提高了模型的語義表達性能。

表1 模型算法

同時,為增強本節基于元路徑的多層異構兵棋聯合作戰態勢實體知識圖譜嵌入模型算法的性能比較優勢,本文還采用公開的亞馬遜電子類產品數據集進行對比分析[23]。該數據集中包含了電子類產品的屬性信息、商品共現關系信息和同時購買關系信息。其中,商品的屬性信息主要包括價格、品牌和種類等。數據集的統計情況如表2所示。

表2 數據集統計情況

2)基線模型及參數設定

根據不同的網絡結構特征,分別選取經典的圖嵌入模型作為基線模型進行性能比較分析。其中,在異構網絡中選取了metapath2vec模型,在多層異構網絡中選取了GATNE-I模型。需要說明的是,為增強模型比較,在所有模型中本節設定的最終嵌入向量維度為d=200,邊嵌入向量維度為s=10,每個節點的游走次數設定為20,游走長度根據不同的元路徑模式長度而定,實體節點語義上下文窗口半徑c=5,每個正訓練樣本的負樣本數設置為L=5,最大迭代次數為50,模型在每個訓練過程中停止的條件為驗證集上的ROC-AUC在一個訓練過程中沒有改善,每種關系類型r的超參數設置為αr=1和βr=1。模型采用TensorFlow中的自適應矩估計(Adam Optimizer)進行優化,學習率設定為η=0.001。

3)模型性能

實體關系推理是一種用于發現實體間潛在關系的常見方法,多用于知識圖譜補全。聯合作戰態勢實體關系推理任務主要是基于知識圖譜中已有的態勢實體關系,推理預測可能存在的態勢實體關系。在實驗過程中,隱藏多層異構兵棋聯合作戰態勢實體知識圖譜中的部分實體關系,對剩余作戰態勢實體知識圖譜中的實體及其關系進行訓練。實驗分別構建了訓練集、驗證集和測試集。訓練集用于模型參數訓練,驗證集用于超參數調優和模型訓練中止,測試集用于評估模型性能且在已調優的超參數下只運行一次。驗證集和測試集分別包含了按10%隨機選擇的正邊。對于每種邊的類型,隨機選擇的負邊數量相等。

在性能分析過程中,這里采用常見的評估標準,如ROC-AUC、PR-AUC和F1分數。為避免閾值產生的影響,假設測試集中隱藏的邊數量是給定的,相關指標在選定的邊類型中均勻分布。兩個數據集在三個評估標準下的定量實驗結果如表3所示。實驗結果顯示,在亞馬遜公開數據集上,這里提出的模型性能與經典模型差別不大,F1分數甚至低于metapath2vec模型。其主要原因在于,亞馬遜數據集實體類型和關系類型相比較而言簡單,本節提出的模型優勢沒有充分體現。值得注意的是,三種經典圖嵌入模型算法在兵棋聯合作戰態勢數據集上的性能下降明顯,其主要原因在于聯合作戰態勢數據集中的實體及其關系類型更為多樣,元路徑模式更為復雜。相比較三種經典圖嵌入模型算法,本節提出的模型性能提升較為明顯,尤其在兵棋聯合作戰態勢數據集上的表現更為突出,相比較GATNE-I模型,ROC-AUC、PR-AUC和F1分數分別提升5.63%、1.82%和1.85%。這說明,兵棋聯合作戰態勢實體及其關系相比電商領域實體及其關系更為復雜,需要從具體應用場景出發,針對領域實際特點和領域數據集中的多關系型數據不同的網絡結構特征和實體間的語義聯系,設計更為適應的元路徑模式,從而提高兵棋聯合作戰態勢實體知識表示學習模型的性能。

表3 不同模型在數據集上的性能比較

接下來考察多層異構兵棋聯合作戰態勢實體知識圖譜嵌入模型中的實體嵌入向量維度d以及邊嵌入向量維度s在聯合作戰態勢數據集上相對于指標ROC-AUC的敏感性。由圖3的實驗結果可知,相比較模型中的默認設置實體嵌入向量維度d=200和邊嵌入向量維度為s=10而言,ROC-AUC曲線隨著維度變化的波動幅度較小。由此可以得出結論,本節模型在較大的基本嵌入或邊嵌入維度范圍內,性能相對穩定,魯棒性較好,僅當基本嵌入或邊嵌入維度太小或太大時性能才會出現小幅下降。

圖3 不同基本嵌入或邊嵌入維度對模型性能的影響

5 結束語

本文針對多源異構聯合作戰態勢信息的復雜性特點,依托兵棋推演平臺,以兵棋聯合作戰態勢實體知識為研究對象,以兵棋聯合作戰態勢實體知識圖譜為研究起點,聚焦兵棋聯合作戰想定場景中多層異構兵棋聯合作戰態勢實體知識嵌入問題,基于聯合作戰體系構建基本理論,通過合理設計了實體間語義聯系的元路徑模式,提出了基于元路徑的兵棋聯合作戰態勢實體知識圖譜嵌入模型,將作戰態勢實體知識轉化為更加適合機器學習和處理的向量形式,實現了對兵棋聯合作戰態勢實體知識圖譜結構特征和作戰態勢實體間語義關系特征的有效捕捉,為大規模聯合作戰態勢知識的智能獲取和推理奠定良好基礎。

審核編輯：符乾江