【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...
【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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。