《综述：军事领域知识图谱研究》北京理工大学

随着信息技术的发展以及军队信息化水平的不断提高，复杂多变的战场形势对军队的海量数据处理能力提出了巨大挑战。本文介绍了知识图谱在军事领域构建的相关技术框架，总结了知识图谱在军事领域应用的不同方面，并针对知识图谱在军事领域的应用现状，揭示了其改进方向。

军事领域知识本体构建

知识图谱的构建有两种方式，即自上而下和自下而上的方法。自上而下的方法通常从定义知识图谱的数据模式开始，从最顶层的概念开始构建，逐步向下细化，形成结构良好的分类层次，然后将实体加入到概念中。自下而上的方法将实体归纳组织起来，形成底层的概念，然后逐渐向上抽象，形成顶层的概念。

军事领域是一个典型的特定领域，具有明确的概念层次，然而，部分专业知识存在于领域专家的头脑中，可能无法从数据中归纳和抽象出来。由于军事数据的保密性和军事装备的特殊性，许多文件和信息对知识图谱的建立表现出绝对的阻碍，导致数据结构化程度较低，数据收集困难。因此，该领域的知识图谱在构建之初，更适合采用自上而下的方式。在知识图谱的基本结构（或概念层次）建立后，其类别节点或关系的数量达到一定规模后，又可以采用自下而上的方法来扩展图谱的实例和属性数据。通过以上分析，由于军事装备知识图谱的特殊性，应首先构建本体。

本体构建方法

本体建设的方法主要有三种，人工建设、重用现有本体（半自动建设）和自动建设[15]。手工构建方法主要是通过领域专家来确定知识内容和关系，这样本体的质量和准确性都比较高。军事领域对知识的完整性和准确性要求较高，因此人工构建方法适用于军事知识本体的构建。采用一般本体人工构建的思路，军事本体可以采用自上而下的人工构建，首先构建军事知识的顶层本体，在此基础上开始构建各子领域的知识框架，逐步完成整个军事知识本体的构建[16]。

目前国内外有五种比较有影响的本体手册构建方法[17][18]：骨架法、TOVE法、IDEF5法、Methontology法和七步法。与其他方法相比，七步法相对成熟。它包括七个步骤，即确定专业领域和范围，检查重复使用现有本体的可能性，列出领域中的重要术语，定义类和类的层次结构，定义类的属性，定义属性面，以及创建实例[19]。然而，七步法也有一些局限性；这种方法没有一个完整的生命周期[20]，也缺乏一个模型修订过程，以应对开发后期的需求调整或功能增加。

军事领域本体结构

在军事装备领域，文献[13]将军事装备分为八大类，如火炮、舰船、飞行器等，并对装备实体的杀伤力、最大速度等属性进行了定义。这种装备知识体系偏重于军事装备的科学描述，忽视了面向军事作战需求的知识表达。Liu等人[21]设计了一种基于需求的螺旋式反馈方法来构建军事装备知识模型，定义了1个顶层核心概念军事装备，4个相关概念如作战活动，7个通用概念如国家，其中装备分为8大类148小类。该模型包括202个实体属性，6个实体关系，涵盖了5800个武器类实体，18个作战活动，86个国家。从以上分类可以看出，军事领域不同任务的本体建设重点各不相同，但基本上可以分为以下几个方面。

表1 军事领域知识图谱实体和关系的一般分类。

军事领域知识图谱的构建

在知识本体的基础上，可以构建知识图谱。军事领域知识图谱的构建和应用是一个系统工程，其构建过程分为六个阶段，可以称为领域知识图谱的全生命周期，其设计的关键技术过程主要包含知识表示、知识存储、知识提取、知识融合、知识演化、知识应用[22]。

军事领域知识图谱的知识服务

信息服务

基于知识图谱，可以提供数据可视化和智能问答等基本信息服务。Zhao等[39]利用Javanese、Tomcat图形显示和Bootstrap技术，以区域分区和关注话题为聚合点，分层设计了话题→事件→实体的知识图谱检索和显示服务，提高了分领域相关热点检索、分析和整理的效率。在构建军事装备知识图谱的基础上, Dou等人[44] 实现了基于模板匹配的知识问答[46] 。

情报侦察与挖掘

基于知识图谱支持快速检索、高效存储、长链推理的特点，知识图谱可以在情报侦察挖掘中完成情报收集、整理等工作[47]。

Palantir公司是第一家在国防领域使用知识图谱技术，为反恐和作战行动提供情报分析服务的公司，在政府和军队的决策和指挥中都发挥了重要作用。美国国防部高级研究计划局（DARPA）[48]于2012年3月启动了XDATA计划，开发用于分析大量半结构化和非结构化数据的计算技术和软件工具，同年启动的文本深度探索和过滤（DEFT）计划。更明确地提出利用深度学习技术发掘大量结构化文本的隐性、实用特征，以及进一步整合处理后的信息的能力，并在此基础上将这些技术用于作战评估、计划和预测，以支持决策。DARPA在2017年发布的 "AIDA "项目研究了将自动获取的知识从多个媒体来源映射到共同的语义表征、已知的本体扩展技术以及其他技术，以改造零散的信息，实现深度知识挖掘。

战场态势感知

基于知识图谱强大的信息整合和知识挖掘能力，在战场态势感知中，知识图谱可以通过提高知识融合算法的性能和提升知识处理工具的运行效率，促进军事决策者更好地理解战场态势感知。

Yi等人[49]提出了一个智能识别推理框架，首先利用知识图谱和图谱数据库技术构建知识图谱数据库，然后构建具有领域知识推理能力的多个智能体，并利用分类器推理技术进行综合识别推理，可以实现智能目标识别的功能。

作战指控

基于知识图谱强大的知识表达能力、知识提取的准确性和快速性，在作战指挥与控制方面，知识图谱可以帮助实现高效指挥和快速决策。

2012年，美国陆军的数据到决策（D2D）项目利用知识图谱等关键技术，从数据中高效提炼知识，获得作战人员和决策者指导作战所需的信息，并通过强化数据融合，将其与相关的背景信息和态势信息整合在一起，提供清晰的威胁、选择和后果[47]。模拟推演是指在执行行动之前或期间，根据行动方案中规定的行动意图、顺序和过程，对行动方案中不同阶段的部署、行动目标或结果进行演练和分析的过程。知识图谱还为模拟演练提供了知识和数据支持，并为海量异构数据提供结构化存储，从而提高模拟演练系统的效率[35]。

网络空间安全

基于知识图谱的数据检索、数据管理、知识推理等功能，在网络空间安全的背景下，知识图谱在增强网络态势感知、提高网络攻防能力、维护国家网络空间安全方面具有重要意义[49]。

美国国家安全局（NSA）的 "棱镜计划 "每天从电信公司提取数百万用户的通话记录，并从微软、谷歌、雅虎、Facebook、苹果等九大网络巨头的中央服务器获取信息，通过信息融合和知识获取技术进行关联分析和推理，生成高质量的情报产品。通过信息融合和知识获取技术进行关联分析和推理，产生高质量的情报产品，对其他国家的网络空间安全构成巨大威胁[50]。美国陆军的 "网络攻击自动化非常规传感环境 "项目旨在开发网络攻击行为的预测方法和检测即将发生的网络现象的有效方法，以帮助网络防御者应对网络攻击，开发和验证能够预测网络攻击的非常规、多学科传感技术，并执行现有的先进入侵检测能力[51]。