（海軍駐大連地區(qū)第一軍事代表室 大連 116000）

1 引言

2012年，谷歌官方博客發(fā)布了谷歌知識圖譜（Google knowledge graph）智能化搜索功能。知識圖譜旨在描述真實(shí)世界中存在的各種實(shí)體或者概念，每個(gè)實(shí)體或者概念可以用一個(gè)全局唯一確定的標(biāo)識符來標(biāo)識；每個(gè)屬性-值對用來刻畫實(shí)體的內(nèi)在特征；關(guān)系則用來連接兩個(gè)實(shí)體，刻畫它們之間的關(guān)聯(lián)。知識圖譜則可被看做是一張巨大的圖，圖中的節(jié)點(diǎn)表示實(shí)體或概念，圖中的邊由屬性或關(guān)系構(gòu)成［1］。與谷歌知識圖譜搜索類似，微軟在必應(yīng)（Bing）的基礎(chǔ)上提供了Satori，社交網(wǎng)絡(luò)Facebook也推出了類似的基于知識圖譜的搜索功能。與此同時(shí)，國內(nèi)著名的搜索引擎也相繼推出了類似的產(chǎn)品，例如百度的實(shí)體搜索通過查詢詞直接觸發(fā)得出相關(guān)的實(shí)體推薦，搜狗的知立方則側(cè)重于基于圖搜索知識索引的邏輯推理計(jì)算［2］。

目前知識圖譜的成熟系統(tǒng)多來自于民用領(lǐng)域，主要來自于搜索引擎公司或者大型互聯(lián)網(wǎng)平臺(tái)企業(yè)，然而對于軍事指揮，軍事情報(bào)分析等特殊領(lǐng)域，軍用知識圖譜的構(gòu)建工作則發(fā)展相對緩慢，一方面受限于軍事百科知識庫資源以及專業(yè)軍事領(lǐng)域的海量用戶檢索日志等信息資源的相對匱乏，導(dǎo)致知識學(xué)習(xí)過程中的樣本資源不足，另一方面也源于在面向特殊領(lǐng)域知識圖譜演化技術(shù)有待突破。

軍事大數(shù)據(jù)環(huán)境下不僅數(shù)據(jù)的規(guī)模大，而且數(shù)據(jù)更新頻繁，傳統(tǒng)基于線下處理的方式很難獲得時(shí)效性的數(shù)據(jù)，難以滿足面向作戰(zhàn)的軍事知識圖譜的時(shí)效性信息需求。另一方面，互聯(lián)網(wǎng)上的數(shù)據(jù)常常以不同的模態(tài)存儲(chǔ)于不同的站點(diǎn)，比如事件相關(guān)的百科信息和視頻信息通常來源于不同的垂直站點(diǎn)。為了獲取及時(shí)更新的大規(guī)模數(shù)據(jù)資源，不僅需要挖掘多源、動(dòng)態(tài)、異質(zhì)、碎片化知識，更需要以一種在線學(xué)習(xí)的方式動(dòng)態(tài)地融合不同來源、不同模態(tài)和不同結(jié)構(gòu)的知識，因此，本文對基于知識圖譜的軍事知識演化技術(shù)進(jìn)行研究，以支持用戶即時(shí)的精準(zhǔn)化信息需求。

2 知識演化技術(shù)

2.1 信息抽取技術(shù)

戰(zhàn)場軍事信息呈指數(shù)級地增長，如何對這些多源異構(gòu)的數(shù)據(jù)進(jìn)行有效地組織管理及利用成為一個(gè)亟需解決的問題。自動(dòng)數(shù)據(jù)分類技術(shù)就是一個(gè)解決該問題的有效技術(shù)手段。面對軍事知識圖譜不斷增加的新數(shù)據(jù)，傳統(tǒng)的對全部數(shù)據(jù)進(jìn)行學(xué)習(xí)的方法將會(huì)耗費(fèi)大量的時(shí)空資源。在線學(xué)習(xí)作為一種增量的機(jī)器學(xué)習(xí)技術(shù)，在對數(shù)據(jù)的更新上比傳統(tǒng)方法更加靈活、輕量和高效［3］。本文采用在線學(xué)習(xí)技術(shù)對動(dòng)態(tài)化的軍事知識抽取結(jié)果進(jìn)行分類。面對軍事大數(shù)據(jù)知識處理需求，知識分類模型需要解決以下優(yōu)化問題：1）目前對樣本權(quán)值計(jì)算方法都是在基于確定樣本批量學(xué)習(xí)模式下設(shè)計(jì)的。將這些方案直接推廣到在線學(xué)習(xí)無疑會(huì)產(chǎn)生許多問題，如何設(shè)計(jì)魯棒而高效的在線加權(quán)方法［4］；2）網(wǎng)絡(luò)更新速度快，就要求在線學(xué)習(xí)算法擁有低時(shí)間復(fù)雜度和快速的收斂率［5］。此外在線學(xué)習(xí)和傳統(tǒng)的數(shù)據(jù)分類方法要求訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)的同分布，這就使得僅通過在線學(xué)習(xí)分類的應(yīng)用受到限制［6～7］。遷移學(xué)習(xí)作為一種新的學(xué)習(xí)機(jī)制，放松了數(shù)據(jù)分布相同的要求，能夠從相關(guān)領(lǐng)域發(fā)掘?qū)δ繕?biāo)領(lǐng)域有用的知識，進(jìn)而幫助完成目標(biāo)任務(wù)［8～12］。

2.2 語義特征關(guān)聯(lián)方法

獲取軍事知識圖譜知識單元的復(fù)雜關(guān)聯(lián)語義鏈網(wǎng)絡(luò)的主要目的之一，就是希望以此為“情景”載體，對軍事知識圖譜知識單元演化機(jī)理進(jìn)行研究。對復(fù)雜關(guān)聯(lián)語義鏈網(wǎng)絡(luò)統(tǒng)計(jì)與語義特征的研究，是全面了解與深入分析軍事大數(shù)據(jù)知識體系演化過程的切入點(diǎn)；其可為軍事知識體系演化機(jī)理的定量分析提供最原始的變量。進(jìn)而，還要對復(fù)雜關(guān)聯(lián)語義鏈網(wǎng)絡(luò)所呈現(xiàn)出的統(tǒng)計(jì)與語義特征的關(guān)聯(lián)機(jī)制進(jìn)行分析；以期能發(fā)現(xiàn)復(fù)雜關(guān)聯(lián)語義鏈網(wǎng)絡(luò)的統(tǒng)計(jì)特征及其與語義特征的關(guān)聯(lián)函數(shù)，為面向作戰(zhàn)的軍事大數(shù)據(jù)知識體系演化技術(shù)提供理論支撐。

3 軍事知識圖譜演化技術(shù)研究方案

軍事知識圖譜演化技術(shù)采用關(guān)聯(lián)語義鏈網(wǎng)絡(luò)，通過語義互聯(lián)將松散的不斷更新的軍事知識有機(jī)融合的軍事知識圖譜中區(qū)，并且給予關(guān)聯(lián)語義進(jìn)行語義鏈的構(gòu)造。作為一個(gè)數(shù)據(jù)的組織模型，軍事知識圖譜演化技術(shù)框架如圖1所示。

圖1 軍事知識圖譜演化技術(shù)框架

軍事知識圖譜演化技術(shù)框架主要包含以下幾個(gè)部分：

1）軍事知識語義抽取模塊。該模塊主要負(fù)責(zé)抽取軍事信息網(wǎng)絡(luò)中不斷新增的多源異構(gòu)軍事信息。和網(wǎng)絡(luò)爬蟲相類似，該模塊通過在線學(xué)習(xí)和遷移學(xué)習(xí)融合的信息抽取技術(shù)，收集關(guān)聯(lián)語義鏈網(wǎng)絡(luò)的相關(guān)知識信息，詳見4.1節(jié)。

2）語義表示模塊。該模塊主要負(fù)責(zé)將抽取到的軍事知識進(jìn)行基于語義的表達(dá)，以使軍事知識富含語義，并且符合人類的認(rèn)知表達(dá)方式。本文采用模糊認(rèn)知圖（Fussy Cognitive Map，F(xiàn)CM）來對軍事知識進(jìn)行語義表示。

3）規(guī)則挖掘模塊。該模塊主要用來挖掘關(guān)鍵詞之間的關(guān)聯(lián)關(guān)系，以挖掘出的關(guān)聯(lián)關(guān)系為基礎(chǔ)，來構(gòu)建不同層面的關(guān)聯(lián)語義鏈網(wǎng)絡(luò)。

4）關(guān)聯(lián)語義鏈網(wǎng)絡(luò)生成模塊。該模塊是關(guān)聯(lián)語義鏈網(wǎng)絡(luò)的核心模塊，用來對抽取的軍事知識進(jìn)行關(guān)聯(lián)語義鏈的構(gòu)造。同時(shí)利用一些構(gòu)造范式對原始關(guān)聯(lián)語義鏈網(wǎng)絡(luò)進(jìn)行簡化等操作。使得關(guān)聯(lián)語義鏈網(wǎng)絡(luò)能夠更好地將新增的軍事知識融入軍事圖譜中現(xiàn)有的知識結(jié)構(gòu)。

5）關(guān)聯(lián)語義鏈應(yīng)用模塊。該模塊主要將構(gòu)造好的關(guān)聯(lián)語義鏈網(wǎng)絡(luò)應(yīng)用到實(shí)際的知識服務(wù)任務(wù)當(dāng)中。并且按照用戶的認(rèn)知機(jī)理與其進(jìn)行交互?？梢钥醋鍪顷P(guān)聯(lián)語義鏈網(wǎng)絡(luò)與軍事戰(zhàn)場環(huán)境的一個(gè)中間件模塊。

6）物理空間存儲(chǔ)模塊。該模塊主要起到數(shù)據(jù)存儲(chǔ)的作用。將抽取的軍事知識進(jìn)行相應(yīng)數(shù)據(jù)庫存儲(chǔ)，包括索引建立等。

3.1 軍事語義信息抽取方法

不斷更新的軍事知識經(jīng)過基于主題模型的信息抽取和知識表示學(xué)習(xí)，從原先規(guī)模龐大的原始數(shù)據(jù)，已經(jīng)轉(zhuǎn)化為稠密低維實(shí)值向量，但是不同來源的數(shù)據(jù)質(zhì)量仍然參差不齊，需要清理低質(zhì)、高噪聲數(shù)據(jù)，并且需要對抽取的碎片化數(shù)據(jù)進(jìn)行結(jié)果判定，使復(fù)雜數(shù)據(jù)中的隱含規(guī)律更加突顯，找到真正有用的知識。傳統(tǒng)的人工知識構(gòu)建方式和靜態(tài)知識獲取方法已經(jīng)不能滿足需求，基于在線學(xué)習(xí)的知識抽取方法應(yīng)運(yùn)而生。在線學(xué)習(xí)方法的核心是利用新的帶標(biāo)注訓(xùn)練數(shù)據(jù)不斷更新現(xiàn)有分類器。由于在訓(xùn)練過程中只需要訪問新的數(shù)據(jù)，使得在線學(xué)習(xí)的方法既能適用于不斷更新的數(shù)據(jù)又能保證學(xué)習(xí)效率。本文在融合基于主題模型的信息抽取和知識表示學(xué)習(xí)基礎(chǔ)上，圍繞如何在已有知識框架的引導(dǎo)下，結(jié)合表示學(xué)習(xí)向量化結(jié)果，從多源、動(dòng)態(tài)、異構(gòu)、高噪聲的大數(shù)據(jù)環(huán)境中，采用在線學(xué)習(xí)獲取碎片化知識并對動(dòng)態(tài)化知識進(jìn)行抽取結(jié)果分類。

但是，在線學(xué)習(xí)過程要求測試數(shù)據(jù)和用于訓(xùn)練模型的樣本數(shù)據(jù)獨(dú)立同分布，這一定程度上限制了在線學(xué)習(xí)對不斷更新的數(shù)據(jù)的學(xué)習(xí)效率。通過將遷移學(xué)習(xí)對數(shù)據(jù)分布的寬松性引入到在線學(xué)習(xí)中，有效地提升了軍事知識圖譜對新增的軍事信息的抽取效率。

3.1.1 在線學(xué)習(xí)機(jī)制

圖2 信息抽取在線學(xué)習(xí)框架

在線學(xué)習(xí)的應(yīng)用場景為樣本序列學(xué)習(xí)。數(shù)據(jù)基礎(chǔ)是逐漸產(chǎn)生的新的訓(xùn)練數(shù)據(jù)和之前訓(xùn)練數(shù)據(jù)所學(xué)到的最優(yōu)解（決策模型）。最終結(jié)果是隨著對數(shù)據(jù)的不斷訪問而逐步逼近的某個(gè)最優(yōu)解（決策模型）。其基本框架可以描述為：每輪中，在線學(xué)習(xí)機(jī)都被詢問一個(gè)問題并要予以作答，例如學(xué)習(xí)機(jī)接收到一個(gè)向量表示的實(shí)體或者三元組信息，問題是實(shí)體或者三元組是否為知識？為此，學(xué)習(xí)機(jī)需要應(yīng)用預(yù)測模型將問題集映射為答案集。例如，我們可以將其映射為輸入x（實(shí)體或者三元組的向量表示），輸出y（是否為知識）的形式。在給出預(yù)測答案后，學(xué)習(xí)機(jī)將得到問題的正確答案。這時(shí)學(xué)習(xí)機(jī)回答的精確性則由衡量預(yù)測答案與真實(shí)值間差異的損失函數(shù)評估。學(xué)習(xí)機(jī)的最終目標(biāo)是最小化每輪中累積的損失函數(shù)值。因此，每輪中學(xué)習(xí)機(jī)選擇更新預(yù)測機(jī)制以求在之后的過程中做出更精確的預(yù)測。本文對軍事知識信息抽取所采用的在線學(xué)習(xí)框架如圖2表示。

在線學(xué)習(xí)框架主要分為三個(gè)模塊：

1）預(yù)測模塊

預(yù)測機(jī)制的輸入為樣本數(shù)據(jù)序列X，輸出為預(yù)測結(jié)果Y。預(yù)測機(jī)制的主要功能是根據(jù)輸入樣本x，產(chǎn)生對應(yīng)的預(yù)測值y（x）。

2）評估模塊

評估模塊的輸入為預(yù)測模塊的預(yù)測結(jié)果Y和真實(shí)結(jié)果Y^，輸出為損失函數(shù)評估值。損失函數(shù)的主要功能是衡量預(yù)測模塊做出不正確判斷時(shí)，所遭受的損失。y（x）與y^（x）的差距越大，損失越大。

3）更新模塊

更新模塊的輸入為損失函數(shù)的評估值，輸出為更新策略或數(shù)據(jù)請求信號。更新模塊首先通過觸發(fā)更新條件判斷是否要對預(yù)測機(jī)制進(jìn)行更新，若需要，則通過更新預(yù)測機(jī)制產(chǎn)生合適的更新策略對預(yù)測機(jī)制進(jìn)行更新，之后請求下一樣本數(shù)據(jù)。否則，直接請求下一樣本數(shù)據(jù)。依次循環(huán)，直到找到最優(yōu)的預(yù)測機(jī)制。

3.1.2 遷移學(xué)習(xí)機(jī)制

正如前文所述的，將遷移學(xué)習(xí)融入到在線學(xué)習(xí)信息抽取的目的是，利用輔助訓(xùn)練數(shù)據(jù)去幫助源訓(xùn)練數(shù)據(jù)來構(gòu)建一個(gè)更可靠的分類模型，使得這個(gè)模型在測試數(shù)據(jù)上的分類準(zhǔn)確度盡可能地高。本文是從輔助訓(xùn)練數(shù)據(jù)中找出那些適合測試數(shù)據(jù)的實(shí)例，并將這些實(shí)例遷移到源訓(xùn)練數(shù)據(jù)的學(xué)習(xí)中去。采用AdaBoost的改進(jìn)算法，Transfer AdaBoost算法（簡稱TrAdaBoost算法）解決該問題［4］。

TrAdaBoost算法的關(guān)鍵思想是利用Boosting的技術(shù)過濾掉源領(lǐng)域數(shù)據(jù)中那些與目標(biāo)領(lǐng)域中少量有標(biāo)簽樣本最不像的樣本數(shù)據(jù)。傳統(tǒng)的AdaBoost的基本思想是，當(dāng)一個(gè)訓(xùn)練樣本被誤分類后，它認(rèn)為這是一個(gè)比較難的訓(xùn)練樣本。于是，AdaBoost增加這個(gè)訓(xùn)練樣本的權(quán)重，用來強(qiáng)調(diào)這個(gè)樣本。下一次分類訓(xùn)練的時(shí)候，這個(gè)樣本被分錯(cuò)的概率就會(huì)減小。在AdaBoost推廣版本TrAdaBoost中，AdaBoost仍然被應(yīng)用在源訓(xùn)練數(shù)據(jù)集上。但是，對于輔助訓(xùn)練數(shù)據(jù)，當(dāng)它們被誤分類后，我們認(rèn)為這些數(shù)據(jù)是和目標(biāo)數(shù)據(jù)很不同的，因此，我們減小這些數(shù)據(jù)的權(quán)重以降低它們在分類訓(xùn)練中的影響。這就相當(dāng)于建立了一種自動(dòng)調(diào)整權(quán)重機(jī)制，于是重要的源領(lǐng)域樣本數(shù)據(jù)權(quán)重增加，誤分類的輔助訓(xùn)練數(shù)據(jù)權(quán)重減小。這一降低權(quán)重的操作是根據(jù)Hedge（β）來設(shè)計(jì)的。基本思想和算法機(jī)制分別如圖3、4所示。

圖3 TrAdaBoost基本思想

圖4 TrAdaBoost算法機(jī)制

從上述分析中不難看出，AdaBoost和TrAda-Boost的區(qū)別在于對輔助訓(xùn)練數(shù)據(jù)的權(quán)重調(diào)整策略。一個(gè)嚴(yán)格的TrAdaBoost算法描述在算法1中給出。從中，我們可以看出，在每一輪迭代中，如果一個(gè)輔助訓(xùn)練數(shù)據(jù)被誤分類，那么這個(gè)數(shù)據(jù)可能和源訓(xùn)練數(shù)據(jù)是矛盾的。那么我們降低這個(gè)數(shù)據(jù)的權(quán)重，因此，在下一輪迭代中，被誤分類的訓(xùn)練數(shù)據(jù)就會(huì)比上一輪少影響分類模型一些。于是，在若干輪迭代后，輔助訓(xùn)練數(shù)據(jù)中符合源訓(xùn)練數(shù)據(jù)的那些數(shù)據(jù)就會(huì)擁有更高的權(quán)重，而那些不符合源訓(xùn)練數(shù)據(jù)的權(quán)重會(huì)降低。那些擁有更高權(quán)重的數(shù)據(jù)將會(huì)幫助源訓(xùn)練數(shù)據(jù)訓(xùn)練一個(gè)更好的分類模型。

算法1：TrAdaBoost算法

輸入：源領(lǐng)域樣本集：Da={(xa，ya)}，目標(biāo)領(lǐng)域樣本集Db={(xb，yb)}，

合并的訓(xùn)練樣本集D=Da∪Db，基本分類算法fb，最大迭代次數(shù)M

輸出：各個(gè)測試數(shù)據(jù)的分類結(jié)果和置信度

1：初始化權(quán)矢量 (ωa，ωb)

3：for t=1 to M do

4：調(diào)用fb，尋找最終分類器，使得合并訓(xùn)練集D的誤差最小

5：利用Hedge(β)更新源矢量以減少錯(cuò)誤分類樣本的權(quán)重

7：將合并訓(xùn)練集D的權(quán)重歸一化

8：end for

3.2 軍事知識的語義特征關(guān)聯(lián)函數(shù)研究

語義特征函數(shù)可以通過關(guān)聯(lián)語義鏈網(wǎng)絡(luò)模型來表示。關(guān)聯(lián)語義鏈網(wǎng)絡(luò)是一個(gè)多層次的語義模型。多層次語義模型最底層為語義元素層。由于關(guān)聯(lián)語義鏈網(wǎng)絡(luò)模型的主要應(yīng)用環(huán)境為大數(shù)據(jù)環(huán)境，因此首先我們介紹如何挖掘這些大數(shù)據(jù)的語義元素。

語義區(qū)分能力可以幫助我們挖掘出一個(gè)給定文本集合的關(guān)鍵詞，并且可以將這些關(guān)鍵詞集合進(jìn)行相應(yīng)的語義區(qū)分能力排序。我們可以認(rèn)為那些具有較高語義區(qū)分能力的關(guān)鍵詞應(yīng)當(dāng)可以作為關(guān)聯(lián)語義鏈網(wǎng)絡(luò)模型中的語義元素。語義元素的挖掘流程如圖5所示。

圖5 關(guān)聯(lián)語義鏈網(wǎng)絡(luò)語義元素挖掘流程圖

從圖5我們可以看出，關(guān)聯(lián)語義鏈網(wǎng)絡(luò)語義元素的挖掘流程大致為

1）詞性標(biāo)注。采用詞性標(biāo)注的原因是去除那些不必要的廢詞，介詞等沒有實(shí)際意義的詞匯。詞性標(biāo)注的目的是將文本集合中的名詞都保留下來，以此來作為文本集合的語義元素集合。

2）語義區(qū)分能力計(jì)算。將詞性標(biāo)注節(jié)點(diǎn)保留的名詞，計(jì)算其語義區(qū)分能力，并按照語義區(qū)分能力進(jìn)行排序。語義區(qū)分能力高的關(guān)鍵詞可以用來較好的描述文本集合。通過語義元素的挖掘，我們可以構(gòu)造出文本空間中的關(guān)鍵詞集合，并按照這些關(guān)鍵詞的語義區(qū)分能力對其進(jìn)行排序。

在提取了文本集合的語義元素之后，我們對語義節(jié)點(diǎn)進(jìn)行相應(yīng)的語義表示。由于關(guān)聯(lián)語義鏈網(wǎng)絡(luò)是基于關(guān)聯(lián)語義的模型，因此如何對語義節(jié)點(diǎn)進(jìn)行富含語義的表示，并且有利于節(jié)點(diǎn)之間關(guān)聯(lián)語義鏈的構(gòu)造，便是關(guān)鍵問題。原子模糊認(rèn)知圖（Element Fuzzy Cognitive Map，E-FCM）是一個(gè)模糊認(rèn)知圖（FCM），它的基本概念由關(guān)鍵詞（Keywords）來表示。

相較于語義元素的挖掘與語義節(jié)點(diǎn)的表示，語義規(guī)則的挖掘同樣重要。因?yàn)橛辛岁P(guān)鍵詞層次的語義規(guī)則，我們才能構(gòu)造知識層次的關(guān)聯(lián)語義鏈網(wǎng)絡(luò)。同時(shí)，如何使語義規(guī)則具有關(guān)聯(lián)語義，符合人類的認(rèn)知特點(diǎn)也是另外一個(gè)需要考慮的問題。我們利用關(guān)聯(lián)規(guī)則挖掘算法來挖掘語義元素之間的關(guān)聯(lián)語義規(guī)則。具體算法流程如圖6所示。

圖6 關(guān)聯(lián)語義規(guī)則挖掘流程圖

關(guān)聯(lián)語義鏈網(wǎng)絡(luò)模型的核心問題是如何構(gòu)建知識之間的關(guān)聯(lián)關(guān)系，換句話說，就是如何建立語義節(jié)點(diǎn)之間的關(guān)聯(lián)語義鏈接。前面我們分別提取了語義元素，對語義節(jié)點(diǎn)進(jìn)行了表示，并且挖掘出了語義元素之間的關(guān)聯(lián)語義關(guān)系。如何將關(guān)鍵詞之間的關(guān)聯(lián)語義關(guān)系擴(kuò)展到語義節(jié)點(diǎn)層面，如何使得這種擴(kuò)展在保證準(zhǔn)確度的情況下又適合于軍事大數(shù)據(jù)環(huán)境，是需要考慮的兩個(gè)問題。圖7給出了語義節(jié)點(diǎn)之間的關(guān)聯(lián)語義鏈構(gòu)造算法的示意圖。

從圖7中可以看出，由于語義節(jié)點(diǎn)已經(jīng)由關(guān)鍵詞進(jìn)行了語義的表示，因此建立兩個(gè)語義節(jié)點(diǎn)之間的關(guān)聯(lián)語義關(guān)系，等價(jià)于尋找它們所擁有的關(guān)鍵詞之間的關(guān)聯(lián)規(guī)則。圖7中語義節(jié)點(diǎn)P有三個(gè)關(guān)鍵詞，語義節(jié)點(diǎn)Q有四個(gè)關(guān)鍵詞。通過查詢規(guī)則庫，發(fā)現(xiàn)兩個(gè)語義節(jié)點(diǎn)之間存在三個(gè)關(guān)聯(lián)語義規(guī)則，因此語義節(jié)點(diǎn)P與語義節(jié)點(diǎn)Q的關(guān)聯(lián)語義鏈可以由這三個(gè)關(guān)聯(lián)語義規(guī)則的和得到。

圖7 語義節(jié)點(diǎn)之間的關(guān)聯(lián)語義鏈構(gòu)造算法示意圖

4 結(jié)語

本文從復(fù)雜網(wǎng)絡(luò)統(tǒng)計(jì)特征和語義特征切入，研究了基于知識圖譜的軍事知識演化技術(shù)。研究主要包括：1）基于在線和遷移學(xué)習(xí)的信息抽取機(jī)制；2）復(fù)雜關(guān)系語義特征的關(guān)聯(lián)。給出了基于關(guān)聯(lián)語義鏈網(wǎng)絡(luò)的軍事知識圖譜演化研究方案和技術(shù)體系架構(gòu)。但是，目前所作的工作還處于起步階段，演化模型的完備性的還需要更進(jìn)一步的研究，以面對不斷更新的、復(fù)雜多變的軍事知識。