基于开源情报的战略意图分析方法技术

本发明专利技术涉及一种基于开源情报的战略意图分析方法，属于深度学习技术领域，该方法包括获取开源情报文本、进行预处理；提取多个事件要素，以及对事件的核心词进行提取；提取包含元事件对的事件依存子图;得到元事件对中各个元事件对应的标注标签；构建初步事理图谱；获取优化的事理图谱；通过战略事件预测模型对优化的事理图谱中的事件进行后续事件预测，并获取优化的事理图谱中事件的诱因。本申请提供的方法从非结构化文本中挖掘信息、整合相关数据和资源以及扩展开源情报文本数据集，对开源情报文本数据集中的事件要素、事件关系进行提取，通过事理图谱分析敌方战略意图，实现传统情报工作向信息化、智能化转变，为情报分析工作提供辅助决策能力。作提供辅助决策能力。作提供辅助决策能力。

【技术实现步骤摘要】
基于开源情报的战略意图分析方法


[0001]本专利技术涉及深度学习
，尤其涉及一种基于开源情报的战略意图分析方法。

技术介绍

[0002]大数据和人工智能技术正广泛地应用于全社会的各个行业，是推动全社会智能化变革的一股重要力量。相关技术在军事领域的深度应用正在成为一种不可逆转的趋势。与其在民用领域的应用相比，在军事领域的应用对相关技术的复杂性、安全性和对抗性提出了更高的要求。如何借助这些新技术助力我国军事智能化实现大跨步、高质量的发展就成了亟待解决的问题。
[0003]随着高性能计算机计算能力的飞速发展，尤其是借助了高性能、高并发GPU的硬件设计特性，让深度学习从一种算法概念，变成了整个社会信息化发展的重要推动力量。在军事领域，智能化作战的实现依赖于对数据更加深入的挖掘、分析、分发和利用。而战略意图分析凭借其知识整合关联的强大能力，正是军事战略分析所需要的。
[0004]近年来事理图谱技术发展为战略意图分析提供了解决方案，现有技术中通过事件关系提取技术提取事件间的关联关系，从而对军事事件的战略意图分析提供辅助，现有技术中采用机器学习的方法建模实体间的关系模式来进行关系抽取，并形成了两个主流的有监督学习方法：1)基于特征的方法，通过抽取词汇层面和语义层面的特征，使用支持向量机等分类器进行分类；2)基于核函数的方法，根据核函数的相似度来判定关系类型。
[0005]然而，现有的监督学习方法存在明显不足，语料标注需要大量的时间和人力，半监督和无监督的方法虽然有效避免数据的大量标注，但未能充分考虑文本的深层语义，导致关系提取的准确率低。

技术实现思路

[0006]本专利技术意在提供一种基于开源情报的战略意图分析方法，以解决现有技术中存在的不足，本专利技术要解决的技术问题通过以下技术方案来实现。
[0007]本专利技术提供的基于开源情报的战略意图分析方法，包括：
[0008]通过多种方式获取开源情报文本，并将开源情报文本以文件形式存储于文件服务器中；
[0009]对文件服务器中的开源情报文本进行预处理，获取开源情报数据集；
[0010]通过开源情报数据集训练事件要素提取模型以及事理关系抽取模型，得到其相应的模型参数；
[0011]通过事件要素提取模型对开源情报数据集中的报文按事件类型进行分类，并根据分类提取多个事件要素，以及对事件的核心词进行提取；
[0012]通过事理关系抽取模型的神经网络标识模块对开源情报数据集中的报文进行向量化处理得到报文的语义向量，并通过句法分析模块获取语义向量之间关系建立各个事件
的事件依存图，以及提取各个事件对应的元事件组成的元事件对，提取包含元事件对的事件依存子图；
[0013]将获取的事件依存子图对应的邻接矩阵以及邻接矩阵对应的特征向量表示矩阵输入到事理关系抽取模型的注意力表示模块中获取各个事件对应的各个元事件之间关系的类别，将有关系的元事件对和元事件对对应的特征向量输入至事理关系抽取模型的CRF层中得到元事件对中各个元事件对应的标注标签，并进行输出；
[0014]构建包含事件的核心词、事件要素以及元事件关系的初步事理图谱；
[0015]通过事件推理模型对初步事理图谱进行完善，获取优化的事理图谱；
[0016]通过战略事件预测模型对优化的事理图谱中的事件进行后续事件预测，并根据事理图谱中的元事件关系，获取优化的事理图谱中事件的诱因。
[0017]在上述的方案中，所述事件类型包括演习演训、目标动向、军事冲突、武力展示、侦察巡逻。
[0018]在上述的方案中，所述通过事件要素提取模型对开源情报数据集中的报文按事件类型进行分类，并根据分类提取多个事件要素，以及对事件的核心词进行提取包括：
[0019]采用无监督算法对开源情报数据集中的报文按事件类型进行分类；
[0020]对分类完成的开源情报数据集中的报文中含有论元的事件句抽取；
[0021]对抽取的事件句进行预测标注，对完成标注的事件进行拼接以实现篇章级事件抽取；
[0022]采用论元对抽取的篇章级事件进行补充得到多个事件要素，并对事件的核心词进行提取。
[0023]在上述的方案中，所述通过事件推理模型对初步事理图谱进行完善，获取优化的事理图谱包括：
[0024]提取新的关系和事件进行扩展形成三元组(L，P，R)；
[0025]将初步事理图谱中的三元组(L，P，R)和提取新的关系和事件进行扩展形成的三元组(L，P，R)作为按照一定比例划分为训练集和测试集；
[0026]将训练集输入至QuatE模型中进行训练分别获取包含上文L和下文R的事件的向量表示、包含谓语P的关系的向量表示；
[0027]基于元学习框架重新微调实体的向量表示及关系的向量表示，并根据事件的向量表示及关系的向量表示定义三元组得分函数；
[0028]将测试集中的一个三元组(L，P，R)的下文R去掉，得到一个不完整的三元组，通过测试集中包含上文L和下文R的任意事件e分别代替去掉的宾语O，形成多个新的三元组；
[0029]通过三元组得分函数获取新的三元组对应的得分，并进行排序；
[0030]根据排序结果预测不完整的三元组；
[0031]对测试集中的其他三元组(L，P，R)重复以上步骤，获得事件推理模型的最优模型参数；
[0032]通过事件推理模型获取预测的三元组构成的新的事件间关系，从而对初步事理图谱进行完善，获取优化的事理图谱。
[0033]在上述的方案中，所述事件推理模型包括实体关系表示预训练模块和实体表示学习模块，所述实体关系表示预训练模块用于对训练集和测试集进行训练分别获取包含上文
L和下文R的事件的向量表示、包含谓语P的关系的向量表示；所述实体表示学习模块用于基于元学习框架重新微调所述实体关系表示预训练模块获取的事件的向量表示以及关系的向量表示。
[0034]在上述的方案中，所述事件推理模型还包括匹配模块，所述匹配模块用于将不完整的三元组与新的事件进行匹配，预测不完整的三元组，对初步事理图谱进行完善。
[0035]在上述的方案中，所述战略事件预测模型包括事件表示模块和长程时序模块，所述事件表示模块用于将优化的事理图谱中的事件映射至低维向量空间，使用Transformer学习事件内部的语义关联从而得到全面的事件表示；所述长程时序模块用于通过LSTM神经网络对全面的事件表示组成的叙事事件链中的上下文事件进行建模，得到融合了时序信息的事件表示。
[0036]在上述的方案中，所述战略事件预测模型还包括全局事件演化模块和门控注意力模块，所述全局事件演化模块用于捕获优化的事理图谱中事件演化模式，通过GNN网络获取事件演化模式的事件表示；所述门控注意力模块通过门控注意力机制动态对长程时序模块获取的融合了时序信息的事件表示和全局事件演化模块获取的事件表示进行融合，并对后续事件进行预测。
[0037]在上述的方案中，所述通过多种方式获取开源情报本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于开源情报的战略意图分析方法，其特征在于，所述方法包括：通过多种方式获取开源情报文本，并将开源情报文本以文件形式存储于文件服务器中；对文件服务器中的开源情报文本进行预处理，获取开源情报数据集；通过开源情报数据集训练事件要素提取模型以及事理关系抽取模型，得到其相应的模型参数；通过事件要素提取模型对开源情报数据集中的报文按事件类型进行分类，并根据分类提取多个事件要素，以及对事件的核心词进行提取；通过事理关系抽取模型的神经网络标识模块对开源情报数据集中的报文进行向量化处理得到报文的语义向量，并通过句法分析模块获取语义向量之间关系建立各个事件的事件依存图，以及提取各个事件对应的元事件组成的元事件对，提取包含元事件对的事件依存子图;将获取的事件依存子图对应的邻接矩阵以及邻接矩阵对应的特征向量表示矩阵输入到事理关系抽取模型的注意力表示模块中获取各个事件对应的各个元事件之间关系的类别，将有关系的元事件对和元事件对对应的特征向量输入至事理关系抽取模型的CRF层中得到元事件对中各个元事件对应的标注标签，并进行输出；构建包含事件的核心词、事件要素以及元事件关系的初步事理图谱；通过事件推理模型对初步事理图谱进行完善，获取优化的事理图谱；通过战略事件预测模型对优化的事理图谱中的事件进行后续事件预测，并根据事理图谱中的元事件关系，获取优化的事理图谱中事件的诱因。2.根据权利要求1所述的基于开源情报的战略意图分析方法，其特征在于，所述事件类型包括演习演训、目标动向、军事冲突、武力展示、侦察巡逻。3.根据权利要求2所述的基于开源情报的战略意图分析方法，其特征在于，所述通过事件要素提取模型对开源情报数据集中的报文按事件类型进行分类，并根据分类提取多个事件要素，以及对事件的核心词进行提取包括：采用无监督算法对开源情报数据集中的报文按事件类型进行分类；对分类完成的开源情报数据集中的报文中含有论元的事件句抽取；对抽取的事件句进行预测标注，对完成标注的事件进行拼接以实现篇章级事件抽取；采用论元对抽取的篇章级事件进行补充得到多个事件要素，并对事件的核心词进行提取。4.根据权利要求1所述的基于开源情报的战略意图分析方法，其特征在于，所述通过事件推理模型对初步事理图谱进行完善，获取优化的事理图谱包括：提取新的关系和事件进行扩展形成三元组（L，P，R）；将初步事理图谱中的三元组（L，P，R）和提取新的关系和事件进行扩展形成的三元组（L，P，R）作为按照一定比例划分为训练集和测试集；将训练集输入至QuatE模型中进行训练分别获取包含上文L和下文R的事件的向量表示、包含谓语P的关系的向量表示；基于元学习框架重新微调实体的向量表示及关系的向量表示，并根据事件的向量表示及关系的向量表示定义三元组得...

【专利技术属性】
技术研发人员：岳一峰，张昊，任祥辉，
申请(专利权)人：中国电子科技集团公司第十五研究所，
类型：发明
国别省市：