無人系統(tǒng)故障知識圖譜的構(gòu)建方法及應(yīng)用

喻凡坤，胡超芳，羅曉亮，梁秀兵

(1.天津大學(xué) 電氣自動化與信息工程學(xué)院，天津 300072；2.中國人民解放軍軍事科學(xué)院 國防科技創(chuàng)新研究院，北京 100071)

0 引言

近年來，各軍事強(qiáng)國高度重視并積極推進(jìn)無人系統(tǒng)及相關(guān)領(lǐng)域的研究，使其產(chǎn)生顛覆性的應(yīng)用技術(shù)[1]。我國民用無人機(jī)在全球的市場占有率高達(dá)70%，大疆無人機(jī)為代表的民用無人機(jī)技術(shù)已經(jīng)走在世界前列[2]，但軍用無人機(jī)與美英等軍事強(qiáng)國相比仍有較大差距，軍用無人機(jī)是我國未來武器裝備發(fā)展的重點(diǎn)方向。

隨著信息化與智能化的深度融合發(fā)展，無人系統(tǒng)在執(zhí)行任務(wù)過程中積累了大量數(shù)據(jù)，國內(nèi)某型號飛機(jī)每小時(shí)產(chǎn)生的數(shù)據(jù)量可高達(dá)20 GB[3]。無人系統(tǒng)產(chǎn)生的海量數(shù)據(jù)大多用故障樹分析法來定性分析故障原因，故障樹具有很強(qiáng)的邏輯性，能夠有效避免初始故障發(fā)生[4- 5]，王金鑫[6]等將故障樹向貝葉斯網(wǎng)絡(luò)轉(zhuǎn)化，提出一種基于貝葉斯的故障診斷方法，有效解決了柴油機(jī)潤滑系統(tǒng)多故障的解耦與診斷問題；褚景春[7]等通過分析風(fēng)力發(fā)電機(jī)組轉(zhuǎn)速特征，利用故障樹和概率神經(jīng)網(wǎng)絡(luò)構(gòu)建故障診斷模型，能有效提高風(fēng)力發(fā)電機(jī)組轉(zhuǎn)速故障檢測的準(zhǔn)確性。故障樹分析法可有效了解系統(tǒng)失效原因，但故障樹模型中的知識元素缺乏語義聯(lián)系，不能窮盡所有故障原因，難以滿足無人系統(tǒng)的維修保障需求。

人工智能已經(jīng)滲透到各行各業(yè)，迅速而又深刻地改變我們的日常生活。2017年7月《新一代人工智能發(fā)展規(guī)劃》的發(fā)布，人工智能已逐步成為國家發(fā)展的新興戰(zhàn)略需求，大數(shù)據(jù)、人機(jī)協(xié)同、群體智能等成為人工智能的發(fā)展重點(diǎn)。大數(shù)據(jù)時(shí)代的來臨，數(shù)據(jù)量呈指數(shù)型爆炸增長，海量數(shù)據(jù)的出現(xiàn)會導(dǎo)致數(shù)據(jù)處理、數(shù)據(jù)存儲、數(shù)據(jù)查詢以及數(shù)據(jù)集成等技術(shù)的變革[8-10]，為無人系統(tǒng)的維修保障模式帶來了新的挑戰(zhàn)和機(jī)遇。目前，無人系統(tǒng)產(chǎn)生的數(shù)據(jù)利用故障樹模型分析故障原因，在一定程度上能緩解維修保障問題，但故障數(shù)據(jù)之間缺乏語義聯(lián)系，信息難以共享，未能有效利用數(shù)據(jù)信息。隨著數(shù)據(jù)量的暴增，利用故障樹模型分析無人系統(tǒng)的故障原因，會造成海量數(shù)據(jù)的極大浪費(fèi)，知識利用率低，如何有效利用無人系統(tǒng)的海量數(shù)據(jù)亟需解決。

鑒于以上情況，為有效利用無人系統(tǒng)產(chǎn)生的海量數(shù)據(jù)，滿足現(xiàn)代無人系統(tǒng)的維修保障需求。考慮到數(shù)據(jù)的海量性、復(fù)雜性以及數(shù)據(jù)之間的語義性，本文利用知識圖譜技術(shù)對無人系統(tǒng)的故障數(shù)據(jù)進(jìn)行知識抽取、知識融合以及知識加工，形成一系列相互關(guān)聯(lián)的知識，為構(gòu)建無人系統(tǒng)領(lǐng)域故障知識圖譜提供一種可行的方法。

1 知識圖譜概述與構(gòu)架

1.1 知識圖譜的定義

知識圖譜(knowledge graph)于2012年5月17日被谷歌(google)正式提出，用于提高其搜索質(zhì)量的知識庫。知識圖譜的本質(zhì)是一種語義網(wǎng)絡(luò)，其結(jié)點(diǎn)代表實(shí)體(entity)或者概念(concept)，邊(edge)代表實(shí)體或者概念之間的各種語義關(guān)系。知識圖譜以結(jié)構(gòu)化三元組<“實(shí)體-關(guān)系-實(shí)體”、“實(shí)體-屬性-屬性值”>的形式存儲現(xiàn)實(shí)世界中的實(shí)體(概念)及其之間的關(guān)系，即G = ，Head表示頭實(shí)體，Relation表示關(guān)系集合，Tail表示尾實(shí)體，其中，有些“關(guān)系”也稱為“屬性”，相應(yīng)地，尾實(shí)體被稱為屬性值[11]。比如在無人系統(tǒng)中，要感知無人機(jī)的方向，可將多個(gè)三元組表示成一個(gè)有向圖知識圖譜，如圖1所示：其中“陀螺儀”、“飛機(jī)方向”和“俯仰角”等表示實(shí)體，“測量”和“包含”表示實(shí)體間的關(guān)系，并且在三元組<陀螺儀，測量，飛機(jī)方向>中，陀螺儀、飛機(jī)方向分別表示該三元組的頭實(shí)體和尾實(shí)體。

圖1 無人系統(tǒng)知識圖譜示意圖

1.2 知識圖譜的發(fā)展

知識圖譜已經(jīng)成為學(xué)術(shù)界和工業(yè)界的研究熱點(diǎn)，由最初用于提高搜索引擎的準(zhǔn)確率，至今已廣泛應(yīng)用于機(jī)器翻譯[12]、智能問答[13]、推薦系統(tǒng)[14-15]等。我國知識圖譜雖起步較晚，但是研究成果較為豐富。在學(xué)術(shù)界，中文知識圖譜研究平臺zhishi.me、開放知識圖譜OpenKG以及復(fù)旦大學(xué)的知識工廠等，它們不但知識來源廣，而且有文本理解、智能搜索等作用，有利于促進(jìn)知識圖譜的普及與應(yīng)用。在工業(yè)界，為提高搜索質(zhì)量，搜狗和百度先后建立起自己的知識庫“知立方”和“知心”，引入語義理解技術(shù)，使搜索結(jié)果準(zhǔn)確地傳遞給用戶。隨著通用知識圖譜的迅速發(fā)展，許多公司相應(yīng)建立起自己的知識庫，如IBM的Watson Health、阿里的健康百科“醫(yī)知鹿”等，可見，知識圖譜在特殊領(lǐng)域也扮演著重要作用。

目前，國內(nèi)外利用無人系統(tǒng)故障數(shù)據(jù)來構(gòu)建知識圖譜的研究甚少，但知識圖譜在健康醫(yī)療、旅游以及社交網(wǎng)絡(luò)等垂直領(lǐng)域有較多研究。侯夢薇[16]等深入解析醫(yī)學(xué)知識表示、醫(yī)學(xué)知識抽取、醫(yī)學(xué)知識融合以及醫(yī)學(xué)知識推理，總結(jié)了構(gòu)建醫(yī)學(xué)知識圖譜的關(guān)鍵技術(shù)以及面臨的挑戰(zhàn)；徐溥[17]改進(jìn)了屬性知識擴(kuò)充以及屬性值融合的方法，提高了知識圖譜構(gòu)建的質(zhì)量；程文亮[18]采用最大熵模型使關(guān)系抽取的準(zhǔn)確率平均高達(dá)85%，高質(zhì)量地構(gòu)建了企業(yè)間的知識圖譜?；谄渌怪毙袠I(yè)知識圖譜的構(gòu)建基礎(chǔ)及其關(guān)鍵技術(shù)，通過無人系統(tǒng)數(shù)據(jù)采集器獲得的數(shù)據(jù)來構(gòu)建領(lǐng)域知識圖譜，形成無人系統(tǒng)健康狀態(tài)知識庫，有利于無人系統(tǒng)的維修保障，無人系統(tǒng)的數(shù)據(jù)采集及維修保障如圖2所示。

圖2 無人系統(tǒng)數(shù)據(jù)采集及維修保障示意圖

1.3 知識圖譜的構(gòu)架

知識圖譜一般包含邏輯結(jié)構(gòu)和技術(shù)(體系)構(gòu)架。本文從構(gòu)建無人系統(tǒng)領(lǐng)域故障知識圖譜出發(fā)，詳細(xì)介紹技術(shù)構(gòu)架。

1.3.1 知識圖譜的邏輯結(jié)構(gòu)

知識圖譜在邏輯上可以分為數(shù)據(jù)層和模式層。模式層通常由本體庫來管理，本體是結(jié)構(gòu)化知識庫的概念模板，如“無人系統(tǒng)故障”、“飛行控制系統(tǒng)故障”等概念實(shí)體，由本體庫而形成的知識庫不僅層次結(jié)構(gòu)較強(qiáng)，并且冗余程度較小，由此可見，模式層是知識圖譜的核心。數(shù)據(jù)層存儲的是具體數(shù)據(jù)信息，由一系列的事實(shí)<“實(shí)體-關(guān)系-實(shí)體”、“實(shí)體-屬性-屬性值”>組成，如無人系統(tǒng)常見的故障信息<地磁儀無數(shù)據(jù)，導(dǎo)致，地磁儀故障>，而知識以事實(shí)為單位進(jìn)行存儲，在工業(yè)界主要由Neo4j圖數(shù)據(jù)庫來存儲數(shù)據(jù)。

1.3.2 知識圖譜的體系(技術(shù))構(gòu)架

隨著無人系統(tǒng)智能化的飛速發(fā)展，傳統(tǒng)數(shù)據(jù)處理技術(shù)難以理解數(shù)據(jù)之間隱含的關(guān)系和規(guī)則，信息共享困難，不能高效地利用無人系統(tǒng)產(chǎn)生的海量數(shù)據(jù)[3]。知識圖譜技術(shù)利用自然語言處理、數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)等技術(shù)的方法和原理，能夠讓計(jì)算機(jī)更好地理解數(shù)據(jù)。無人系統(tǒng)在執(zhí)行任務(wù)的飛行及停機(jī)維修過程中，積累了大量的結(jié)構(gòu)化數(shù)據(jù)(狀態(tài)監(jiān)控?cái)?shù)據(jù))、半結(jié)構(gòu)化數(shù)據(jù)(日志文件)和非結(jié)構(gòu)化數(shù)據(jù)(圖片、文檔、視頻)，知識圖譜技術(shù)可以有效利用這些數(shù)據(jù)構(gòu)建高質(zhì)量的知識庫。借鑒通用知識圖譜構(gòu)建的一般流程，給出了無人系統(tǒng)知識圖譜體系構(gòu)架，構(gòu)建流程如圖3所示。

圖3 無人系統(tǒng)知識圖譜體系構(gòu)架

由圖3可知，無人系統(tǒng)知識圖譜主要由知識抽取、知識融合和知識加工三大部分組成。無人系統(tǒng)的知識抽取，通過無人系統(tǒng)飛行時(shí)的狀態(tài)參數(shù)、運(yùn)動參數(shù)的結(jié)構(gòu)化、半結(jié)構(gòu)化或非結(jié)構(gòu)化信息抽取實(shí)體、屬性及其關(guān)系，并且將這些信息以三元組的形式存儲到知識庫中。無人系統(tǒng)知識融合，對無人系統(tǒng)知識庫的冗余和錯(cuò)誤信息通過實(shí)體消歧、實(shí)體對齊等方法進(jìn)行整合、消歧，進(jìn)而提升無人系統(tǒng)知識庫的質(zhì)量。無人系統(tǒng)知識加工，借助知識推理，推斷出缺失事實(shí)，構(gòu)建本體關(guān)系，通過質(zhì)量評估，確保知識庫的知識不會產(chǎn)生矛盾和不一致性。

2 無人系統(tǒng)故障知識圖譜的關(guān)鍵技術(shù)

無人系統(tǒng)知識圖譜構(gòu)建方式主要有自底向上(bottom-up)和自頂向下(top-down)兩種。自底向上是通過知識抽取得到實(shí)體、屬性及其關(guān)系，并通過數(shù)據(jù)驅(qū)動的自動化方式構(gòu)建本體，進(jìn)而構(gòu)建知識圖譜；自頂向下是先構(gòu)建頂層本體與數(shù)據(jù)模式，然后通過實(shí)體將其豐富，進(jìn)而形成知識庫。目前，知識圖譜的構(gòu)建大多采用自底向上的方式，但無人系統(tǒng)故障知識圖譜是領(lǐng)域知識圖譜，涉及知識范圍較窄，本文采用自底向上和自頂向下相結(jié)合的方式構(gòu)建無人系統(tǒng)知識圖譜。

2.1 知識抽取

知識抽取(knowledge extraction)是從開放的無人系統(tǒng)數(shù)據(jù)(半結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù))自動化或人工抽取知識單元，知識單元包括實(shí)體、關(guān)系及其屬性，顯然，知識抽取由實(shí)體抽取、關(guān)系抽取和屬性抽取三部分組成。實(shí)體抽取可以識別專有名詞和特殊詞語并加以歸類，關(guān)系抽取是將眾多離散的實(shí)體以網(wǎng)狀的知識結(jié)構(gòu)建立實(shí)體間的語義鏈接。實(shí)體的屬性是一種特殊的實(shí)體間的關(guān)系，郭劍毅[19]等利用條件隨機(jī)場和支持向量機(jī)的方法將景點(diǎn)實(shí)體屬性抽取等價(jià)為實(shí)體關(guān)系抽取，因此可以把屬性抽取問題轉(zhuǎn)化為關(guān)系抽取問題。無人系統(tǒng)數(shù)據(jù)資源包括結(jié)構(gòu)化數(shù)據(jù)，半結(jié)構(gòu)化數(shù)據(jù)以及非結(jié)構(gòu)化數(shù)據(jù)，針對不同類型數(shù)據(jù)，采用不同方法將其轉(zhuǎn)化成三元組結(jié)構(gòu)，知識抽取的過程如圖4所示。

圖4 無人系統(tǒng)知識抽取過程

針對無人系統(tǒng)的結(jié)構(gòu)化數(shù)據(jù)(狀態(tài)監(jiān)控?cái)?shù)據(jù))，由于數(shù)據(jù)庫存儲的數(shù)據(jù)結(jié)構(gòu)性強(qiáng)，可直接通過D2R映射自動抽取，轉(zhuǎn)化為三元組知識單元。半結(jié)構(gòu)化數(shù)據(jù)(百科類知識等)，可設(shè)計(jì)專門的包裝器針對性抽取，如王輝[20]等利用CN-DBpedia構(gòu)建的特殊包裝器可實(shí)現(xiàn)高質(zhì)量的網(wǎng)頁知識抽取。而非結(jié)構(gòu)化數(shù)據(jù)是以文本、圖像、視頻等文檔形式存在的數(shù)據(jù)，是知識抽取的難點(diǎn)。非結(jié)構(gòu)數(shù)據(jù)的信息抽取主要有3種方法，基于規(guī)則的方法需要領(lǐng)域?qū)＜抑贫ㄌ囟ǖ囊?guī)則，不僅耗費(fèi)大量人力，并且魯棒性較差。基于機(jī)器學(xué)習(xí)的方法需要標(biāo)注語料信息訓(xùn)練模型，且存在標(biāo)注語料質(zhì)量參差不齊、需要人工提取特征等不足，目前主要采用半監(jiān)督學(xué)習(xí)方法，從小樣本學(xué)習(xí)，在減小人力資源的情況下提高信息抽取的質(zhì)量。近年來，深度學(xué)習(xí)的興起為高質(zhì)量信息抽取提供了更多的途徑，BILSTM-CRF是信息抽取中主流的深度學(xué)習(xí)模型，L.Luo[21]等用BILSTM-CRF模型應(yīng)用在生物醫(yī)學(xué)領(lǐng)域的信息抽取，使得實(shí)體識別、實(shí)體關(guān)系識別準(zhǔn)確率分別高達(dá)91.14%和92.57%，且該模型在其它領(lǐng)域也有較好的效果。由于無人系統(tǒng)產(chǎn)生的海量數(shù)據(jù)具有多樣性、知識本身的復(fù)雜性，可以借鑒BILSTM-CRF深度學(xué)習(xí)模型自動提取無人系統(tǒng)非結(jié)構(gòu)化數(shù)據(jù)特征，進(jìn)而完成信息抽取。

2.2 知識融合

知識抽取得到的三元組知識單元具有多樣性、冗余、歧義、甚至錯(cuò)誤等特點(diǎn)[22]，如“無人機(jī)系統(tǒng)”、“無人系統(tǒng)”可能均指向同一實(shí)體。知識融合(Knowledge Fusion)將來自不同數(shù)據(jù)源的多源異構(gòu)、語義多樣的無人系統(tǒng)知識，在同一框架規(guī)范下進(jìn)行異構(gòu)數(shù)據(jù)的整合、沖突檢測、消歧、加工等，對知識進(jìn)行正確性判斷，去粗取精，構(gòu)建高質(zhì)量的知識庫[23]。

2.2.1 實(shí)體消歧

實(shí)體消歧(entity disambiguation)旨在解決實(shí)體指稱與真實(shí)世界實(shí)體之間的歧義問題，并且實(shí)體消歧的難點(diǎn)主要兩大方面[24]：

1)實(shí)體指稱的多樣性：同一實(shí)體在文本中會有不同的指稱；如不同的實(shí)體指稱“飛控”、“飛控系統(tǒng)”、“飛機(jī)控制系統(tǒng)”等，可能都對應(yīng)知識庫中的“無人機(jī)飛控”同一實(shí)體。

2)實(shí)體指稱的歧義性：同一實(shí)體指稱在不同的上下文中可以指不同的實(shí)體；如相同實(shí)體指稱“大疆”可能對應(yīng)知識庫中的“大疆無人機(jī)”、“深圳大疆創(chuàng)新科技有限公司”等不同實(shí)體。

實(shí)體消歧主要有基于聚類的實(shí)體消歧方法和基于實(shí)體鏈接的實(shí)體消歧方法，示意過程如圖5所示。

圖5 實(shí)體消歧示意圖

由圖5可知，當(dāng)沒有目標(biāo)實(shí)體時(shí)，實(shí)體消歧大多采用基于聚類的方法。聚類法是基于實(shí)體指稱的特征(上下文的詞語、實(shí)體屬性等)，計(jì)算實(shí)體指稱之間的相似度，通過聚類算法對實(shí)體指稱聚類。李廣一[25]等基于向量空間相似度，使用層次聚合式聚類(HAC)算法對未與知識庫鏈接的文檔進(jìn)行聚類，實(shí)現(xiàn)歧義消解，F(xiàn)值高達(dá)88.35%?；趯?shí)體鏈接的實(shí)體消歧，通過計(jì)算實(shí)體指稱與目標(biāo)實(shí)體之間的相似度，將實(shí)體指稱鏈接到知識庫中與實(shí)體指稱相似度最高的目標(biāo)實(shí)體。然而，當(dāng)知識庫中不存在目標(biāo)實(shí)體與實(shí)體指稱對應(yīng)時(shí)，將實(shí)體指稱鏈接到空實(shí)體。針對無人系統(tǒng)產(chǎn)生的數(shù)據(jù)，通過信息抽取得到的實(shí)體指稱，可先將部分實(shí)體指稱鏈接到歷史知識庫，將剩余未鏈接的實(shí)體指稱通過基于聚類的方法進(jìn)行實(shí)體消歧。

2.2.2 實(shí)體對齊

實(shí)體對齊(entity alignment)也稱實(shí)體匹配(entity matching)，旨在解決相同或不同知識庫中的兩個(gè)或多個(gè)實(shí)體在現(xiàn)實(shí)世界是否為相同實(shí)體的問題，通過消除異構(gòu)數(shù)據(jù)源知識庫中的實(shí)體沖突、指向不明等不一致問題，高質(zhì)量地鏈接多個(gè)現(xiàn)有知識庫，從頂層創(chuàng)建一個(gè)大規(guī)模統(tǒng)一的知識庫[26-27]。

無人系統(tǒng)產(chǎn)生的海量數(shù)據(jù)，通過知識抽取得到的實(shí)體，也需要實(shí)體對齊來提高無人系統(tǒng)知識庫的質(zhì)量。實(shí)體對齊算法是實(shí)體對齊技術(shù)的核心，主要有成對實(shí)體對齊和協(xié)同(集體)實(shí)體對齊兩類。成對實(shí)體對齊主要通過提取實(shí)體及其屬性特征，并計(jì)算它們的相似度來實(shí)現(xiàn)實(shí)體對齊，相似度計(jì)算方法主要有基于傳統(tǒng)概率模型和機(jī)器學(xué)習(xí)方法；協(xié)同實(shí)體對齊是在實(shí)體對齊的基礎(chǔ)上，在計(jì)算相似度時(shí)考慮與實(shí)體相關(guān)的其它實(shí)體屬性，并賦予權(quán)重[16, 26]。

2.3 知識加工

通過知識抽取、知識融合等技術(shù)可以從無人系統(tǒng)的原始數(shù)據(jù)得到基本的事實(shí)表達(dá)，事實(shí)通過特殊的知識加工可形成高質(zhì)量的知識。知識加工主要包括以下4個(gè)方面：本體構(gòu)建、知識推理、質(zhì)量評估和知識更新。

1)本體構(gòu)建:無人系統(tǒng)故障知識圖譜涉及知識范圍較窄，采用自底向上和自頂向下相結(jié)合的方式來構(gòu)建知識圖譜。本體(Ontology)是對共享概念進(jìn)行規(guī)范，形式化描述對象、屬性及其關(guān)系[28]。首先確定無人系統(tǒng)故障知識圖譜的核心概念(“無人系統(tǒng)故障”、“飛控系統(tǒng)故障”、“動力系統(tǒng)故障”等)，將抽取到的實(shí)體通過數(shù)據(jù)驅(qū)動的方式自動構(gòu)建本體，其主要步驟：并列關(guān)系相似度計(jì)算、實(shí)體上下位關(guān)系抽取和本體生成[29]。

2)知識推理:知識推理是從已有的無人系統(tǒng)知識庫中已有的實(shí)體關(guān)系出發(fā)，建立實(shí)體之間的新聯(lián)系，拓展和豐富知識庫的知識網(wǎng)絡(luò)[30]。知識推理主要有基于邏輯的推理和基于圖的推理兩種方法，能夠從已有的知識中發(fā)現(xiàn)新知識，在無人系統(tǒng)知識庫中若已知(陀螺儀，測量，飛機(jī)方向)、(飛機(jī)方向，包含，偏航角)和(偏航角，異常，角度)，則可以推理出陀螺儀出現(xiàn)故障。

3)質(zhì)量評估:通過知識抽取得到的無人系統(tǒng)領(lǐng)域的知識元素可能存在錯(cuò)誤，經(jīng)過知識推理得到新知識的質(zhì)量也無法完全保證，因此在將其加入知識庫之前，需要有一個(gè)質(zhì)量評估的過程，質(zhì)量評估是保障數(shù)據(jù)的重要手段，并且貫穿在知識圖譜的整個(gè)生命周期[30-31]。通過篩選置信度高的數(shù)據(jù)，可使無人系統(tǒng)知識庫的數(shù)據(jù)得到進(jìn)一步保障。

4)知識更新:信息隨著時(shí)間不斷積累，是一個(gè)動態(tài)過程，無人系統(tǒng)知識圖譜也需要不斷迭代更新。知識庫的更新包括模式層的更新和數(shù)據(jù)層的更新；模式層的更新是指概念層的更新，新的概念添加到知識庫的概念層后，需要更新概念的屬性及其關(guān)系；數(shù)據(jù)層的更新主要是新增或更新實(shí)體、關(guān)系和屬性值[30, 32]。

3 知識圖譜的軍事應(yīng)用

知識圖譜可以提供一種管理與利用海量異構(gòu)數(shù)據(jù)的有效方式，使大量數(shù)據(jù)產(chǎn)生普遍聯(lián)系并得到良好表達(dá)，有著廣泛的軍事應(yīng)用。

3.1 智能搜索

傳統(tǒng)的搜索是基于關(guān)鍵詞匹配索引，搜索引擎不能理解用戶的真正語義，檢索效率低下[33]。知識圖譜本質(zhì)是一種實(shí)體間關(guān)系的語義網(wǎng)絡(luò)，能夠改變現(xiàn)有的信息檢索方式，通過推理實(shí)現(xiàn)概念檢索并且以圖形化的方式展現(xiàn)結(jié)構(gòu)化知識[26, 30]，提高搜索精度，知識圖譜在智能搜索方面有著天然的優(yōu)勢。知識圖譜可應(yīng)用于智能導(dǎo)彈的目標(biāo)追蹤，如圖6所示，預(yù)警機(jī)被周圍多種類型飛機(jī)保護(hù)，對預(yù)警機(jī)進(jìn)行目標(biāo)打擊常常受到周圍飛機(jī)或者飛機(jī)發(fā)射信號的干擾，裝載有目標(biāo)(預(yù)警機(jī))“知識圖譜”信息的導(dǎo)引頭智能導(dǎo)彈，可以自動篩選匹配目標(biāo)相關(guān)信息，具有電磁、紅外、多光譜、圖像等抗干擾能力，可實(shí)現(xiàn)對目標(biāo)的精準(zhǔn)打擊。

圖6 基于知識圖譜的智能導(dǎo)彈

3.2 軍事智能問答

搜索引擎一般能滿足人們信息獲取需求，但隨著互聯(lián)網(wǎng)信息的爆炸式增長，使得搜索結(jié)果太多，用戶很難快速準(zhǔn)確地獲得所需信息，可以更好滿足用戶信息需求的問答系統(tǒng)受到青睞[34-35]。對于問題的輸入，問答系統(tǒng)的輸出是一個(gè)簡潔的答案或者可能答案的列表。在日益復(fù)雜的軍事問題上，問答系統(tǒng)可以有效提高軍事決策效率，對作戰(zhàn)決策有著重要意義。圖7是問答系統(tǒng)在軍用飛機(jī)上的應(yīng)用，可實(shí)現(xiàn)精確簡潔的信息結(jié)果。

圖7 某軍事問答系統(tǒng)

3.3 輔助決策

由于計(jì)算能力、海量數(shù)據(jù)以及核心算法的出現(xiàn)，基于知識圖譜的輔助決策技術(shù)在健康醫(yī)療、金融、智慧城市交通等領(lǐng)域有著廣泛的應(yīng)用。如IBM的Watson Health借助海量數(shù)據(jù)形成的知識庫，利用深度學(xué)習(xí)算法對腫瘤和癌癥領(lǐng)域進(jìn)行決策判斷，供醫(yī)學(xué)專業(yè)人員參考。知識圖譜通過對數(shù)據(jù)、知識等信息的分析統(tǒng)計(jì)，發(fā)現(xiàn)數(shù)據(jù)信息之間的關(guān)聯(lián)并挖掘其中規(guī)律，結(jié)合歷史知識庫相關(guān)經(jīng)驗(yàn)做出預(yù)判，實(shí)現(xiàn)智能化輔助決策，可運(yùn)用于未來的軍事應(yīng)用。

4 結(jié)束語

本文介紹了知識圖譜的概念性知識，對無人系統(tǒng)的海量數(shù)據(jù)進(jìn)行知識抽取、知識融合以及知識加工，形成高質(zhì)量的三元組知識，為構(gòu)建無人系統(tǒng)領(lǐng)域故障知識圖譜提供一種可行的途徑。利用海量數(shù)據(jù)構(gòu)建的知識圖譜具有智能搜索、系統(tǒng)問答、輔助決策等功能，具有重要的軍事應(yīng)用前景。