一种高动态态势时空知识智能推荐方法和系统技术方案

本发明专利技术公开了一种高动态态势时空知识智能推荐方法和系统，属于知识智能推荐领域

【技术实现步骤摘要】
一种高动态态势时空知识智能推荐方法和系统


[0001]本专利技术属于知识智能推荐领域，更具体地，涉及一种高动态态势时空知识智能推荐方法和系统
。

技术介绍

[0002]态势知识是指战场区域内作战目标
(
例如，舰船或者飞机
)
的身份
、
类型
、
装备
、
性能等信息
。
态势知识智能推荐是指当用户对某一战场目标进行检索时，能够得到与该目标关联度较高的其他目标的态势知识
。
[0003]在军事领域，及时准确地获取当前战场的态势知识对于支撑各项作战决策至关重要
。
近年来基于知识图谱的推荐系统已经成为了知识智能推荐系统的主流方法之一，首先，通过人工收集整编的目标身份
、
类型
、
装备
、
性能等态势知识构建知识图谱，其次，通过表示学习完成知识图谱的向量化嵌入或将用知识图谱与用户项目交互的图结构概括在一个统一框架下，最后，通过嵌入融合或图结构信息挖掘实现知识推荐
。
[0004]然而，当前的主流方法在处理动态态势知识推荐时还存在以下不足：现有的态势知识图谱通常只包含战场目标的静态属性信息，现有的知识推荐方法无法有效利用战场目标之间的时空位置关系，使用户难以准确全面地获取高动态态势时空知识
。

技术实现思路

[0005]针对现有技术的缺陷，本专利技术的目的在于提供一种高动态态势时空知识智能推荐方法和系统，旨在解决现有态势知识推荐方法未考虑战场目标的时空位置信息，无法实现态势时空知识推荐的问题
。
[0006]为实现上述目的，第一方面，本专利技术提供了一种高动态态势时空知识智能推荐方法，包括：
[0007]S1.
利用区域内全部作战目标的静态态势知识构建知识图谱；
[0008]S2.
基于深度学习实现所述知识图谱中各实体的嵌入表示，得到各实体的嵌入向量；
[0009]S3.
根据当前时刻作战目标的空间位置，计算位置编码，并与对应实体嵌入向量进行拼接；
[0010]S4.
遍历所述知识图谱中除被检索作战目标以外的其他目标，将其拼接向量和被检索作战目标的拼接向量进行拼接后，形成推荐向量输入至二分类器判断该目标是否推荐，遍历完成后获得本次检索的推荐结果
。
[0011]优选地，步骤
S2
中，采用
R
‑
GCN
实现实体的嵌入表示，每一层的消息传播模型如下：
[0012][0013]其中，为
d
(l)
维向量，代表实体
v
i
在第
l
层卷积网络中的向量表示，
d
(l)
为第
l
层卷积网络的表示维度，
σ
(
·
)
为
ReLU
函数，为实体
v
i
在关系类型为
r
时的邻居下标集合，为实体
v
i
在第
l
层卷积网络中自身闭环对应的变换矩阵，为实体
v
i
在第
l
层卷积网络中对应关系类型
r
的变换矩阵，和为第
l
层卷积网络的训练参数
。
[0014]优选地，步骤
S3
中，按照地球空间网格编码规则，针对每个目标实体
v
k
∈V
作战目标
，计算得到经度编码
、
纬度编码和高度编码，将三组编码进行莫顿交叉，作为该目标的位置编码
[0015]优选地，步骤
S4
中，采用多层感知机作为二分类器，输入层维度与推荐向量保持一致，隐藏层激活函数设置为
ReLU
函数，输出层为
Softmax
分类器
。
[0016]优选地，所述知识图谱
G
＝
(V,E,R)
，其中，
[0017]V
＝
{V
作战目标
,V
国籍
,V
类型
,V
传感器
,V
武器
}
，表示实体集合，
V
作战目标
,V
国籍
,V
类型
,V
传感器
,V
武器
分别表示目标实体子集合
、
国籍实体子集合
、
类型实体子集合
、
传感器实体子集合
、
武器实体子集合；
[0018]R
＝
{
国籍隶属
,
类型隶属
,
装备
}
，表示关系类型集合；
[0019]关系
(v
i
,r,v
j
)∈E
，表示边集合，头实体
v
i
和尾实体
v
j
∈V
，关系类型
r∈R。
[0020]优选地，不同作战目标的向量拼接方式一致
。
[0021]为实现上述目的，第二方面，本专利技术提供了一种高动态态势时空知识智能推荐系统，包括：处理器和存储器；所述存储器，用于存储计算机执行指令；所述处理器，用于执行所述计算机执行指令，使得第一方面所述的方法被执行
。
[0022]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，具有以下有益效果：
[0023]本专利技术提出一种高动态态势时空知识智能推荐方法和系统，包括：首先利用战场目标的静态态势知识构建知识图谱，然后利用关系图卷积神经网络实现对知识图谱的嵌入，同时根据战场目标的时空位置计算位置编码，将目标实体的嵌入向量与位置编码进行拼接，最后通过将检索目标拼接向量和其他目标拼接向量分别再次拼接，输入多层感知机得到推荐结果
。
本专利技术通过将战场目标的时空位置信息引入到态势知识图谱，在进行态势知识推荐时加入目标时空位置关系对推荐结果的影响，使得推荐结果能够适应战场环境的高动态变化，进一步提高态势知识推荐的全面性和准确性
。
附图说明
[0024]图1是本专利技术提供的一种高动态态势时空知识智能推荐方法流程图
。
[0025]图2是本专利技术实施例提供的知识图谱示意图
。
[0026]图3是本专利技术实施例提供的网络模型示意图
。
具体实施方式
[0027]为了使本专利技术的目的
、
技术方案及优点更加清楚明白，以下结合附图及实施例，对
本专利技术进行进一步详细说明
。
应当本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种高动态态势时空知识智能推荐方法，其特征在于，包括：
S1.
利用区域内全部作战目标的静态态势知识构建知识图谱；
S2.
基于深度学习实现所述知识图谱中各实体的嵌入表示，得到各实体的嵌入向量；
S3.
根据当前时刻作战目标的空间位置，计算位置编码，并与对应实体嵌入向量进行拼接；
S4.
遍历所述知识图谱中除被检索作战目标以外的其他目标，将其拼接向量和被检索作战目标的拼接向量进行拼接后，形成推荐向量输入至二分类器判断该目标是否推荐，遍历完成后获得本次检索的推荐结果
。2.
如权利要求1所述的方法，其特征在于，步骤
S2
中，采用
R
‑
GCN
实现实体的嵌入表示，每一层的消息传播模型如下：其中，为
d
(l)
维向量，代表实体
v
i
在第
l
层卷积网络中的向量表示，
d
(l)
为第
l
层卷积网络的表示维度，
σ
(
·
)
为
ReLU
函数，为实体
v
i
在关系类型为
r
时的邻居下标集合，为实体
v
i
在第
l
层卷积网络中自身闭环对应的变换矩阵，为实体
v
i
在第
l
层卷积网络中对应关系类型
r
的变换矩阵，和为第
l
层卷积网络的训练参数
。3.
如权利要求1所述的方法，其特征在于，步骤
S3
中，按照地球空间网格编码规则，针对每个目标实体
v
k
∈V
作战目标
，计算得到经度编码
、
纬度编码和高度编码，将三组编码进行莫...

【专利技术属性】
技术研发人员：涂一田，王朝阳，刘颢，李琳，潘新龙，高子文，
申请(专利权)人：中船智海创新研究院有限公司，
类型：发明
国别省市：