面向天域感知领域的知识图谱构建技术研究

天域感知是太空能力的基础和关键，各军事大国均竞相发展天域感知能力。随着太空目标的迅速增多和感知技术的快速进步，获取的天域感知数据呈指数级增长，实体关联关系高度复杂化。传统的知识获取和表述方式难以满足天域感知领域应用需求。知识图谱是基于图的知识网络库，具备强大的语义处理能力和开放组织能力。文中在天域感知领域引入知识图谱技术，研究自动化天域感知知识图谱技术架构和构建流程，提出基于本体和三元组模型的领域知识图谱建模技术以及基于RoBERTa-BiLSTM-CRF的领域知识抽取技术，为天域感知上层应用赋能赋慧。

太空所特有的全时、全域、能够自由进出等特 点，以及航天技术、信息技术的快速发展，使得各国 对于太空资源的争夺愈加激烈，太空平台对于国家 安全重要性日益突出，来自太空的威胁也日益严重。 传统的军事大国均竞相大力发展太空能力，天域感 知能力是太空能力的基础和关键。2018 年 4 月，美 参联会发布《太空作战》条令，用十大能力代替原有 五大任务领域，太空态势感知为十大能力之一［1］。 2019 年 10 月，美国空军司令部副司令通知要求用 “天域感知”( Space Domain Awareness，SDA) 来代替 原来的“太空态势感知”，并将其定义为“识别、表征 和理解与天域相关、有可能影响到太空作战并进而 影响国家安保、安全、经济或环境的任何被动或主动 因素”［2］。2020 年 8 月，美军发布太空领域顶层文 件《太空力量》( Spacepower) ，明确了太空安全、作战 力量投射、太空机动和后勤、信息传输、天域感知等 为五项核心能力，天域感知位列其中［3］。 知识是对信息的组织和抽象，是所有概念、事 实、规则、公理的集合，通常采用本体进行规范化描 述和建模［4］。知识图谱( Knowledge Graph，KG) 是 一种基于图的网络知识库，用图对知识和知识关系 进行建模和表征，将各类知识连接到语义网络中，由 实体、关系和属性组成，用于描述各种实体及实体之 间的关系，基本构成单元包括“实体－属性”和“实 体－属性－实体”“实体－关系－实体”三元组［5－7］。按 照知识覆盖范围和应用领域，知识图谱可以分为通 用知识图谱( General-purpose Knowledge，GKG) 和领 域 知 识 图 谱 ( Domain-specific Knowledge Graph， DKG) ［8］。知识图谱具备强大的语义处理能力和开 放组织能力，已成为人工智能和大数据的一项关键 技术。 天域感知领域需对空间实体、地面站、航天发射 基地、侦察对象、隶属单位等态势要素，信息、对抗、 协同、隶属、来源等关联关系，以及要素、状态、能力 属性等进行表征，随着天域感知技术的发展，获取的 信息种类越来越多样化，实体间关系将更加复杂化， 知识应用将愈加广泛，难以依托现有的通用领域知 识图谱技术进行天域感知领域知识图谱构建。另 外，随着天域感知数据获取手段的进步，半结构化和 结构化数据急剧增多，现有的隐马尔科夫模型 ( Hidden Markov Model，HMM) 、循环神经网络( Ｒecurrent Neural Network，ＲNN) 、双向长短记忆网络 ( Bi-directional Long Short－Term Memory，BiLSTM) 、 条件随机场( Conditional Ｒandom Fields，CＲF) 等技 术存在分词、标注、上下文语义表达等方面能力不 足，知识抽取效果有待提升。因此，针对上述天域感 知领域特点和现有方法不足，本文充分考虑天域感 知专业特点，基于天域感知领域专家经验知识对天 域感知领域的知识图谱进行建模，同时，采用结合 ＲoBEＲTa、BiLSTM、CＲF 等方法优点的知识抽取技 术，实现天域感知知识的高质量抽取，构建天域感知 领域 知 识 图 谱 ( Space Domain Awareness Domain － specific Knowledge Graph，SDADKG) ，为天域感知知 识语义检索、智能分析推理、辅助认知决策等应用打 下基础。