面向軍事信息服務(wù)的智能推薦技術(shù)

王中偉,裘杭萍,孫 毅,寇大磊

(中國(guó)人民解放軍陸軍工程大學(xué),江蘇 南京 210007)

隨著信息技術(shù)的飛速發(fā)展,網(wǎng)絡(luò)信息呈現(xiàn)出爆炸的現(xiàn)象,需要尋找有效的方法來(lái)解決信息的精準(zhǔn)服務(wù)問(wèn)題。而在軍事領(lǐng)域,隨著我軍偵察裝備的換代和通信網(wǎng)絡(luò)的升級(jí),軍事信息的收集和獲取能力大幅提高。軍事信息呈現(xiàn)出積累快、來(lái)源廣、異構(gòu)性和數(shù)量大的特性。尋找相應(yīng)的方法對(duì)軍事信息進(jìn)行快速識(shí)別篩選,并在合適的時(shí)空條件下推薦給合適的信息使用方,切實(shí)將信息優(yōu)勢(shì)轉(zhuǎn)化為戰(zhàn)斗力,是一個(gè)極具意義的研究課題。

目前,解決信息爆炸問(wèn)題有兩種主要方法:一種是搜索引擎,例如以谷歌、百度等為主的搜索引擎,可以方便用戶快速檢索出包含自己感興趣關(guān)鍵詞的內(nèi)容,但其存在檢索結(jié)果不準(zhǔn)確和單一化的缺點(diǎn);另一種方法是推薦技術(shù),可以針對(duì)用戶獨(dú)有的特點(diǎn)進(jìn)行個(gè)性化和多元化的推薦,是一種較為有效的解決方法。

鞠亮等基于網(wǎng)絡(luò)環(huán)境提出并構(gòu)建了軍事情報(bào)信息智能獲取方法和利用方式[1];秦樹(shù)鑫等提出了一種用戶相關(guān)智能化搜集整合系統(tǒng)[2];馬建威圍繞海量軍事信息，利用過(guò)程中的熱難點(diǎn)問(wèn)題,主要研究了軍事信息的特征捕獲和軍事信息資源智能挖掘與匯聚方法,為軍事信息資源的精準(zhǔn)保障提供了技術(shù)支持[3];蔡飛以數(shù)據(jù)挖掘技術(shù)為支撐,圍繞軍事信息檢索和查詢推薦所面臨的理論問(wèn)題和技術(shù)難點(diǎn),展開(kāi)了深入研究[4];黃震華等對(duì)基于排序的民用推薦算法進(jìn)行了總結(jié)[5];趙子慧等設(shè)計(jì)了基于用戶瀏覽模式的新聞推薦系統(tǒng)[6];Liu J等基于位置感知和個(gè)性化協(xié)同過(guò)濾算法,設(shè)計(jì)了一種Web服務(wù)推薦方法[7]。綜合看來(lái),目前推薦技術(shù)在民用領(lǐng)域研究較為深入,而在軍事信息服務(wù)的智能推薦研究上偏少,僅僅是針對(duì)某些具體的技術(shù)作了一些研究,沒(méi)有形成系統(tǒng)性和整體性的研究。

1 推薦技術(shù)簡(jiǎn)介

推薦技術(shù)最早出現(xiàn)在電子商務(wù)領(lǐng)域,主要是利用電子商務(wù)網(wǎng)站,模擬銷(xiāo)售員向客戶提供購(gòu)買(mǎi)商品建議的技術(shù)。推薦技術(shù)主要包括三個(gè)重要的方面,分別是:用戶建模技術(shù)、對(duì)象建模技術(shù)和推薦算法。

通用的推薦流程[8]如圖1所示,首先是對(duì)用戶偏好特征的獲取,進(jìn)而通過(guò)計(jì)算建立用戶模型和推薦對(duì)象模型,最后依據(jù)推薦算法計(jì)算出不同用戶和對(duì)象間的相似度,根據(jù)相似度值的大小對(duì)用戶進(jìn)行信息推薦。

圖1 推薦流程圖

推薦流程的形式化表示為:設(shè)U為所有用戶集合(如成千上萬(wàn)的作戰(zhàn)人員),O為所有待推薦對(duì)象的集合(如成千上萬(wàn)的軍事信息文檔),f()為相似度函數(shù),推薦的意義就是尋找每個(gè)用戶對(duì)應(yīng)的滿足相似度值排前n個(gè)的推薦對(duì)象集S′,即

?c∈C,S′=aggregate Topnf()

(1)

2 關(guān)鍵推薦技術(shù)分析

2.1 用戶建模技術(shù)

對(duì)于不同的軍事信息用戶,其關(guān)注的軍事信息內(nèi)容是不同的。在進(jìn)行軍事信息的智能推薦之前需要先對(duì)軍事信息用戶進(jìn)行特征建模,用以描述不同軍事用戶的信息偏好。用戶建模的過(guò)程圖如圖2所示。

圖2 用戶建模過(guò)程圖

軍事信息用戶的偏好特征模型S可以表示為m個(gè)顯性特征Sd(如姓名、角色等)和n個(gè)隱性特征Sr(如作戰(zhàn)計(jì)劃、戰(zhàn)場(chǎng)態(tài)勢(shì)等),進(jìn)一步,特征模型可以表示為m+n元組,如式(2)所示。

S=Sd+Sr={d1,d2, …,dm,r1,r2, …,rn}

(2)

對(duì)于用戶的顯性特征可以通過(guò)用戶注冊(cè)填寫(xiě)或個(gè)性化標(biāo)簽設(shè)定等主動(dòng)方式獲取,該方式的優(yōu)點(diǎn)是簡(jiǎn)單高效,能夠快速定位用戶偏好;缺點(diǎn)是浪費(fèi)用戶瀏覽時(shí)間,泄露用戶隱私信息。對(duì)于用戶的隱性特征,主要是通過(guò)數(shù)據(jù)挖掘技術(shù),對(duì)用戶的瀏覽行為數(shù)據(jù)進(jìn)行分析挖掘,從而得到用戶潛在的偏好特征。該方式的優(yōu)點(diǎn)是節(jié)省用戶瀏覽時(shí)間,挖掘出用戶潛在的一些獨(dú)特偏好,缺點(diǎn)是分析結(jié)果未必理想準(zhǔn)確,可能出現(xiàn)與實(shí)際不符的現(xiàn)象。

由于軍事用戶的特殊性,導(dǎo)致其偏好是動(dòng)態(tài)變化的,因此還要考慮區(qū)分用戶的長(zhǎng)期偏好特征和短期偏好特征。以作戰(zhàn)人員為例,平時(shí)可能關(guān)注更多的是關(guān)于訓(xùn)練動(dòng)態(tài)的信息,戰(zhàn)時(shí)可能關(guān)注的更多是關(guān)于戰(zhàn)場(chǎng)作戰(zhàn)的信息。在構(gòu)建軍事信息用戶偏好特征模型時(shí)應(yīng)加入情景(如時(shí)間、地點(diǎn)、天氣、需求等)特征,基于用戶的情景感知進(jìn)行智能推薦,將合適的信息在合適的情境下推薦給合適的用戶。情景感知需要對(duì)情景進(jìn)行建模,可以采用邏輯模型(用規(guī)則表示)、本體模型(對(duì)客觀存在進(jìn)行抽象)、圖模型(UML建模)等方法來(lái)實(shí)現(xiàn)。

2.2 對(duì)象建模技術(shù)

對(duì)不同的軍事信息對(duì)象進(jìn)行推薦時(shí),用到的對(duì)象建模方法也就不同。常見(jiàn)的軍事信息對(duì)象主要以文本類(lèi)為主,此外還有圖像、視頻、音頻等。因此,對(duì)于不同類(lèi)別的推薦對(duì)象要分別建模。

對(duì)于文本類(lèi)推薦對(duì)象,可以采用基于內(nèi)容的建模方法,利用關(guān)鍵詞抽取算法對(duì)文本內(nèi)容進(jìn)行關(guān)鍵詞抽取,基于文本內(nèi)容對(duì)應(yīng)的關(guān)鍵詞進(jìn)行相似度計(jì)算,進(jìn)而判斷文本間的相似性。目前可用的關(guān)鍵詞抽取方法主要有TF-IDF算法、TextRank算法、LSA/LSI算法和LDA算法。

1) TF-IDF算法[9]

TF-IDF(Term Frequency-Inverse Document Frequency,詞頻-逆文檔頻率算法)是一種基于統(tǒng)計(jì)的計(jì)算方法,常用于文檔集中一個(gè)詞對(duì)某份文檔的重要程度。計(jì)算方法如式(3)(4)(5)所示。

(3)

(4)

TF-IDF=詞頻(TF)*逆文檔頻率(IDF)

(5)

2) TextRank算法[10]

TextRank算法的基本思想源自于谷歌的PageRank算法,主要用于文本關(guān)鍵詞抽取。它的優(yōu)點(diǎn)是可以不依靠語(yǔ)料庫(kù),具有較高的獨(dú)立性。通過(guò)對(duì)某一文本內(nèi)容的單獨(dú)分析,就可以實(shí)現(xiàn)關(guān)鍵詞的自動(dòng)提取。其基本原理是將文本劃分成若干語(yǔ)句,基于句子組成成分分析,利用圖模型對(duì)單詞重要性進(jìn)行排序,最后,選擇出Topn個(gè)詞語(yǔ)作為該文本內(nèi)容的關(guān)鍵詞。算法步驟如下:

Step 1 對(duì)給定的文本T按照完整句子分割,即

T=[S1,S2, …,Sm]

(6)

Step 2 將分割好的句子進(jìn)行詞語(yǔ)劃分,并為劃分好的詞語(yǔ)進(jìn)行詞性標(biāo)注。然后,將停用詞去除,只留下選定詞性的詞語(yǔ),如動(dòng)詞、名詞、形容詞等。式(7)中ti,n是篩選后的候選關(guān)鍵詞;

Si=[ti,1,ti,2, …,ti,n]

(7)

Step 3 構(gòu)造候選關(guān)鍵詞圖模型G=(V,E),其中V是由式(7)產(chǎn)生的候選關(guān)鍵詞構(gòu)成的節(jié)點(diǎn)集。然后通過(guò)共現(xiàn)關(guān)系(Co-Occurrence)構(gòu)造圖中每?jī)晒?jié)點(diǎn)之間的邊。當(dāng)兩個(gè)節(jié)點(diǎn)對(duì)應(yīng)的單詞都出現(xiàn)在長(zhǎng)度為N的窗口中時(shí),才認(rèn)為它們之間存在邊。其中,N為窗口大小,即最多允許同時(shí)出現(xiàn)N個(gè)單詞;

Step 4 根據(jù)上面的步驟,重復(fù)迭代并更新各節(jié)點(diǎn)的權(quán)重,直到最后收斂;

Step 5 將節(jié)點(diǎn)權(quán)重按照由大到小的順序進(jìn)行排序,選擇出前面的M個(gè)單詞,就成為候選關(guān)鍵詞;

Step 6 由得到的M個(gè)候選關(guān)鍵詞,在原始文本中進(jìn)行標(biāo)記,如果可以形成相鄰詞組,便組合成多詞關(guān)鍵詞。

3) LSA/LSI算法[11]

LSA,其全稱為L(zhǎng)atent Semantic Analysis。 LSI,其全稱為L(zhǎng)atent Semantic Index。兩者可以認(rèn)為是同一種算法,但又有些區(qū)別。相同點(diǎn)是都要統(tǒng)計(jì)大量文本集,對(duì)文本的潛在語(yǔ)義進(jìn)行分析。不同點(diǎn)是LSI還會(huì)在統(tǒng)計(jì)分析結(jié)果的基礎(chǔ)上創(chuàng)建相關(guān)的索引。主要算法步驟如下:

Step 1 分析文本集,使用BOW模型將每個(gè)文本表示為向量;

Step 2 將所有的文本詞向量拼接起來(lái)構(gòu)成詞-文本矩陣(m*n);

Step 3 通過(guò)奇異值分解(SVD)將詞-文本矩陣進(jìn)行矩陣分解([m*r]. [r*r]. [r*n]);

Step 4 將分解后的詞-文本矩陣進(jìn)行降維處理,k([m*k]. [k*k]. [k*n],0

4) LDA算法[12]

LDA,其全稱為L(zhǎng)inear Discriminant Analysis,是人工智能領(lǐng)域中的經(jīng)典算法。其基本思想是先假定文本中主題與文本關(guān)鍵詞服從狄利克雷分布,根據(jù)先驗(yàn)分布和數(shù)據(jù)觀察,擬合出多項(xiàng)式分布規(guī)律,得出Dirichlet-multi共軛結(jié)果。最后,根據(jù)共軛結(jié)果預(yù)測(cè)文本中主題與文本關(guān)鍵詞的后驗(yàn)分布,即算法得到的關(guān)鍵詞抽取結(jié)果。LDA模型的訓(xùn)練過(guò)程如下:

Step 1 對(duì)語(yǔ)料庫(kù)中每篇文本內(nèi)容中的每一個(gè)詞w進(jìn)行隨機(jī)初始化,賦予一個(gè)主題編號(hào)b;

Step 2 按照吉布斯采樣公式重新掃描語(yǔ)料庫(kù),并重新采樣每個(gè)詞w的主題編號(hào)b,及時(shí)在語(yǔ)料庫(kù)中更新編號(hào);

Step 3 當(dāng)吉布斯采樣收斂時(shí),停止重復(fù)采樣過(guò)程,進(jìn)入下一步;

Step 4 統(tǒng)計(jì)語(yǔ)料庫(kù)的主題-詞共現(xiàn)頻率矩陣,即關(guān)鍵詞抽取需要的LDA模型。

接下來(lái)就可以按照一定的方式對(duì)新文本的主題進(jìn)行預(yù)估,具體步驟如下:

Step 1 對(duì)當(dāng)前文本內(nèi)容中的每一個(gè)詞w進(jìn)行隨機(jī)初始化,賦予一個(gè)主題編號(hào)c;

Step 2 按照吉布斯采樣公式重新掃描當(dāng)前文本并重采樣文本主題;

Step 3 當(dāng)吉布斯采樣收斂時(shí),停止重采樣過(guò)程,進(jìn)入下一步;

Step 4 統(tǒng)計(jì)文本中的主題分布即為預(yù)測(cè)結(jié)果。

對(duì)于圖像類(lèi)推薦對(duì)象,同樣可以采用基于內(nèi)容的建模方法,主要是對(duì)圖像內(nèi)容進(jìn)行相似度對(duì)比計(jì)算。目前常用的方法有像素點(diǎn)對(duì)比、重心對(duì)比、投影對(duì)比和分塊對(duì)比。而對(duì)于視頻、音頻類(lèi)推薦對(duì)象,可以采用基于分類(lèi)的建模方法,目前常用的分類(lèi)方法有支持向量機(jī)、K最近鄰和樸素貝葉斯等方法。

2.3 推薦算法

在推薦算法方面,目前商用推薦算法大致可以分為四類(lèi),即:協(xié)作過(guò)濾推薦算法、基于內(nèi)容的推薦算法、基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦算法和混合推薦算法。

1) 協(xié)作過(guò)濾推薦算法[13]

關(guān)于協(xié)作過(guò)濾算法,可以分為基于用戶的和基于對(duì)象的?；谟脩舻姆椒ㄊ侵附?jīng)過(guò)對(duì)用戶間的相似度計(jì)算,從而把相似用戶感興趣的內(nèi)容推薦過(guò)來(lái)。如用戶甲偏好A類(lèi)信息,用戶乙偏好A類(lèi)和B類(lèi)信息,就能夠?qū)類(lèi)信息推薦給用戶甲?；趯?duì)象的方法是指經(jīng)過(guò)計(jì)算對(duì)象間的相似度,從而把與某一用戶感興趣的對(duì)象的相似對(duì)象推薦出來(lái)。如某用戶偏好X類(lèi)對(duì)象,Y類(lèi)與X類(lèi)對(duì)象較為相似,就能夠?qū)類(lèi)對(duì)象推薦給用戶。

協(xié)作過(guò)濾算法最主要的是相似度計(jì)算方法的設(shè)計(jì),目前有余弦相似(式(8))、Jaccard相似(式(9))、歐氏距離相似(式(10))等計(jì)算方法。協(xié)作過(guò)濾算法的優(yōu)點(diǎn)是可以針對(duì)用戶自身行為記錄進(jìn)行計(jì)算,容易發(fā)現(xiàn)用戶的潛在信息偏好特征;缺點(diǎn)是會(huì)帶來(lái)數(shù)據(jù)稀疏性、“冷啟動(dòng)”問(wèn)題、“信息繭房”問(wèn)題。

(8)

(9)

(10)

2) 基于內(nèi)容的推薦算法[14]

基于內(nèi)容的推薦是指依據(jù)用戶瀏覽的信息內(nèi)容特征進(jìn)行推薦。需要計(jì)算出用戶與不同內(nèi)容信息間的相似度,而后根據(jù)相似度值的大小排序,將Topn對(duì)象推薦出來(lái)。優(yōu)點(diǎn)是簡(jiǎn)單高效,缺點(diǎn)是推薦內(nèi)容較為相似,缺乏多樣性。

3) 基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦算法[15]

基于網(wǎng)絡(luò)的推薦算法是將用戶和對(duì)象間的行為關(guān)系轉(zhuǎn)換為網(wǎng)絡(luò)中的節(jié)點(diǎn)和邊,通過(guò)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的分析進(jìn)行推薦,如圖3所示。優(yōu)點(diǎn)是可擴(kuò)展性強(qiáng),新用戶或新對(duì)象可以作為新的節(jié)點(diǎn)加入網(wǎng)絡(luò),不存在“冷啟動(dòng)”問(wèn)題,缺點(diǎn)是網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜,計(jì)算量太大。

圖3 用戶行為記錄結(jié)構(gòu)圖

4) 混合推薦算法

混合推薦算法是指采取混合策略使用多種推薦算法,這樣可以彌補(bǔ)單一算法的不足,從而將更佳的推薦結(jié)果展示給用戶。但對(duì)于不同的推薦用戶和對(duì)象,如何選擇推薦算法進(jìn)行混合推薦是關(guān)鍵。

此外,針對(duì)軍事用戶的特殊性,可以基于情景感知為作戰(zhàn)行動(dòng)單元進(jìn)行地理?xiàng)l件、氣象環(huán)境等的推薦;基于情報(bào)分析為心理戰(zhàn)、輿論戰(zhàn)提供情感分析推薦;基于關(guān)聯(lián)規(guī)則為戰(zhàn)場(chǎng)事件行動(dòng)決策進(jìn)行推薦;基于社交網(wǎng)絡(luò)對(duì)作戰(zhàn)群組協(xié)同進(jìn)行推薦等。

3 基于ISM的軍事文本信息智能推薦

ISM法即解釋結(jié)構(gòu)模型法,其全稱為Interpretative Structural Modeling Method,主要用于解決變量較多、結(jié)構(gòu)復(fù)雜的系統(tǒng)分析問(wèn)題。通過(guò)將該方法引入智能推薦中,可以優(yōu)化推薦對(duì)象建模技術(shù),構(gòu)建軍事信息用戶偏好特征層次模型,解決新用戶剛加入時(shí)缺乏特征數(shù)據(jù)無(wú)法進(jìn)行推薦的問(wèn)題,即“冷啟動(dòng)”問(wèn)題。對(duì)于新加入的用戶來(lái)說(shuō),就可以依據(jù)其特征層次結(jié)構(gòu)模型來(lái)進(jìn)行共性特征相關(guān)推薦。隨著用戶的個(gè)人行為數(shù)據(jù)逐漸積累,后期可挖掘分析其個(gè)性特征實(shí)現(xiàn)更精確的推薦。

3.1 軍事用戶建模

對(duì)于某類(lèi)軍事用戶來(lái)說(shuō),采用上述傳統(tǒng)對(duì)象建模技術(shù)提取的偏好特征可以由m+n元組表示。而實(shí)際中,不同特征間可能存在影響關(guān)系?，F(xiàn)假設(shè)經(jīng)判定某類(lèi)用戶的7個(gè)偏好特征中存在如下關(guān)系:S2影響S1,S3影響S4,S4影響S5,S7影響S2,S4和S6互相影響。進(jìn)一步,可依據(jù)該影響關(guān)系構(gòu)建有向圖,如圖4。

圖4 特征關(guān)系有向圖

下一步,根據(jù)有向圖得出鄰接矩陣A,并求出鄰接矩陣的可達(dá)矩陣M。

(11)

通過(guò)ISM方法,對(duì)可達(dá)矩陣M進(jìn)行區(qū)域劃分和級(jí)位劃分,提取骨架矩陣,得出特征關(guān)系層次結(jié)構(gòu)圖,如圖5所示。

圖5 層次結(jié)構(gòu)圖

進(jìn)一步,依據(jù)特征關(guān)系層次結(jié)構(gòu)圖,構(gòu)建軍事信息用戶偏好特征層次模型,并將其進(jìn)行布爾向量化。用戶模型可以表示為X=[x1,x2,…,xN]。

3.2 推薦文本建模

對(duì)于推薦對(duì)象建模,可以通過(guò)TF-IDF方法進(jìn)行軍事信息文本關(guān)鍵詞抽取,構(gòu)建文本的關(guān)鍵詞特征模型,并通過(guò)布爾模型對(duì)文本關(guān)鍵詞進(jìn)行特征向量化。對(duì)象模型可以表示為Y=[y1,y2,…,yN]。

3.3 基于內(nèi)容的推薦

采用相似余弦算法,計(jì)算用戶和對(duì)象內(nèi)容間的相似度大小,如式(12)所示。并依據(jù)相似度大小進(jìn)行排序,將對(duì)象推薦給相似度值最大的軍事用戶,從而實(shí)現(xiàn)軍事文本信息的智能推薦。

cosineXY=|Y*XT|

(12)

4 系統(tǒng)設(shè)計(jì)與案例分析

4.1 系統(tǒng)設(shè)計(jì)

針對(duì)軍事信息用戶的特殊需求,結(jié)合上述對(duì)建模方法和推薦算法的研究,可以采用分層思想,設(shè)計(jì)出面向軍事信息服務(wù)的智能推薦系統(tǒng)架構(gòu),其中主要包括基礎(chǔ)層、數(shù)據(jù)層、控制層和應(yīng)用層。系統(tǒng)總體架構(gòu)設(shè)計(jì)如圖6所示。

圖6 軍事信息推薦系統(tǒng)架構(gòu)

1) 基礎(chǔ)層

其主要依托我軍建設(shè)的網(wǎng)絡(luò)設(shè)施、存儲(chǔ)設(shè)施、計(jì)算設(shè)施,作為構(gòu)建面向軍事信息服務(wù)的智能推薦系統(tǒng)的硬件基礎(chǔ)。

2) 數(shù)據(jù)層

其主要用來(lái)存儲(chǔ)各種各樣的信息,包括用戶行為記錄信息、戰(zhàn)場(chǎng)環(huán)境信息(地形、地貌、水文、氣象等)、多媒體信息(文本、圖像、視頻、音頻等),作為推薦系統(tǒng)的數(shù)據(jù)支撐,對(duì)數(shù)據(jù)進(jìn)行加密和安全性保護(hù)。

3) 控制層

其主要實(shí)現(xiàn)用戶信息偏好特征的捕獲、各式信息的過(guò)濾整合以及用戶需求的自主預(yù)測(cè),進(jìn)而為用戶從海量信息中推薦出有價(jià)值的信息,發(fā)揮出信息優(yōu)勢(shì)。

4) 應(yīng)用層

其用于接收并可視化展示控制層處理后的結(jié)果,對(duì)用戶進(jìn)行交互操作,滿足用戶需求。

4.2 案例分析

本文以美軍海灣行動(dòng)“沙漠風(fēng)暴”空中作戰(zhàn)計(jì)劃的文本信息為例,首先對(duì)文本內(nèi)容進(jìn)行用戶分析和關(guān)鍵詞分析。

根據(jù)任務(wù)不同,可以對(duì)軍事用戶進(jìn)行角色分類(lèi),如表1所示。

表1 不同軍事用戶信息偏好

本文采用上述ISM方法,構(gòu)建出不同角色的用戶信息偏好特征層次模型,圖7展示了作戰(zhàn)人員的特征層次模型。

圖7 軍事信息用戶偏好特征層次模型

進(jìn)一步,本文通過(guò)TF-IDF方法,提取出該文本內(nèi)容的特征關(guān)鍵詞順序依次為:“飛毛腿”導(dǎo)彈、衛(wèi)隊(duì)、光纖、目標(biāo)群、摧毀等,詳見(jiàn)表2。

表2 案例文本特征權(quán)重

最后,本文通過(guò)余弦相似度算法,計(jì)算出該文本關(guān)鍵詞與不同軍事用戶特征的相似度值。圖8展示了：對(duì)于美軍“沙漠風(fēng)暴”這篇軍事情報(bào)文本,與作戰(zhàn)人員信息偏好特征更為相似,因此，可以將其推薦給作戰(zhàn)人員。

圖8 用戶與文本內(nèi)容間的相似度

5 結(jié)束語(yǔ)

本文針對(duì)軍事信息服務(wù)中的信息推薦問(wèn)題進(jìn)行了技術(shù)研究,分別介紹了目前的研究現(xiàn)狀、關(guān)鍵技術(shù)和系統(tǒng)設(shè)計(jì),并給出了一種基于ISM方法的軍事文本信息智能推薦算法。關(guān)鍵技術(shù)方面詳細(xì)分析了用戶建模技術(shù)、對(duì)象建模技術(shù)和推薦算法,并就一些常用方法給出了優(yōu)缺點(diǎn)對(duì)比。軍事文本信息智能推薦算法中引入了ISM方法,優(yōu)化了用戶建模技術(shù),解決了“冷啟動(dòng)”問(wèn)題。本文的研究對(duì)于我軍利用軍事信息的智能推薦服務(wù)具有重要意義,可以為其提供技術(shù)支持。下一步工作中,將采用本文研究的方法設(shè)計(jì)并實(shí)現(xiàn)面向軍事信息服務(wù)的智能推薦系統(tǒng),為我軍作戰(zhàn)人員決策提供輔助信息,為廣大普通人員提供個(gè)性信息。同時(shí),未來(lái)工作中,還要結(jié)合具體應(yīng)用場(chǎng)景,綜合考慮用戶的真實(shí)復(fù)雜的需求,優(yōu)化推薦技術(shù),進(jìn)一步提高智能推薦質(zhì)量。