基于主題模型的地理環(huán)境時(shí)空數(shù)據(jù)隱含語義理解

朱 杰，張宏軍，廖湘琳，田江鵬

1. 陸軍工程大學(xué)指揮控制工程學(xué)院，江蘇 南京 210002； 2. 73021部隊(duì)，浙江 杭州 315023； 3. 信息工程大學(xué)地理空間信息學(xué)院，河南 鄭州 450001

理解戰(zhàn)場(chǎng)環(huán)境，是指作戰(zhàn)人員對(duì)戰(zhàn)場(chǎng)空間的理解，由空間、空間知識(shí)的表達(dá)方式，以及運(yùn)用推理生成新知識(shí)的能力而構(gòu)成的認(rèn)知思維，一般通過心象、紙圖或者計(jì)算機(jī)等工具將戰(zhàn)場(chǎng)環(huán)境可視化，從而建立與環(huán)境可交互的思維活動(dòng)[1]。在理解過程中，無論是作戰(zhàn)人員本身對(duì)空間的理解，還是不同人員之間的相互溝通，地圖、文本是記錄和傳輸戰(zhàn)場(chǎng)環(huán)境信息的最基本的兩種模態(tài)，特別是作戰(zhàn)過程中產(chǎn)生大量的非結(jié)構(gòu)化信息，如各類作戰(zhàn)文書。文本是其最主要的載體之一，越來越多地成為一種主要信息媒介的數(shù)據(jù)模態(tài)，是表達(dá)戰(zhàn)場(chǎng)環(huán)境信息的重要形式。然而，文本除了具有通用知識(shí)的內(nèi)涵和特點(diǎn)之外，還承載了描述戰(zhàn)場(chǎng)的時(shí)間、空間、事件和資源等豐富信息，具有特定的地理時(shí)空特征。戰(zhàn)場(chǎng)文本信息不僅包含了作戰(zhàn)任務(wù)語義信息，還蘊(yùn)含了豐富的地理空間語義信息，表現(xiàn)為同一任務(wù)區(qū)域的空間數(shù)據(jù)隱含語義會(huì)隨著時(shí)間的不同而發(fā)生變化，相似任務(wù)主題的位置數(shù)據(jù)隱含語義也會(huì)隨著空間的不同而發(fā)生變化。由此，地理環(huán)境時(shí)空數(shù)據(jù)的隱含語義信息既存在時(shí)間上的變化，也存在空間上的變化。

面對(duì)大量的戰(zhàn)場(chǎng)文本數(shù)據(jù)，以傳統(tǒng)的人工方式理解戰(zhàn)場(chǎng)環(huán)境信息已經(jīng)不能滿足高效、準(zhǔn)確的需求，如何利用人工智能的理論和方法，由機(jī)器對(duì)數(shù)據(jù)進(jìn)行自動(dòng)獲取、學(xué)習(xí)與解譯，從而輸出與人腦認(rèn)知思維相符的計(jì)算結(jié)果，是當(dāng)前戰(zhàn)場(chǎng)環(huán)境空間認(rèn)知和理解在大數(shù)據(jù)環(huán)境下所面臨的挑戰(zhàn)。自然語言處理技術(shù)的發(fā)展為文本數(shù)據(jù)理解提供了新的思路和方法，也為戰(zhàn)場(chǎng)環(huán)境數(shù)據(jù)理解提供了新的工具。如何從大量的戰(zhàn)場(chǎng)文本數(shù)據(jù)中獲取地理環(huán)境知識(shí)，如何利用機(jī)器學(xué)習(xí)技術(shù)挖掘與事件主題相關(guān)的地理環(huán)境時(shí)空語義信息，如何對(duì)不同時(shí)空主題進(jìn)行管理、檢索和推理，這一系列問題，都是機(jī)器理解戰(zhàn)場(chǎng)環(huán)境數(shù)據(jù)過程中所要解決的關(guān)鍵問題。其中，如何融合事件主題對(duì)地理環(huán)境時(shí)空主題進(jìn)行抽取與分析，成為戰(zhàn)場(chǎng)環(huán)境信息理解的核心問題之一。通過提取帶有地理空間標(biāo)識(shí)的文本主題來挖掘任務(wù)指定的實(shí)施作戰(zhàn)行動(dòng)的區(qū)域空間信息及其對(duì)應(yīng)的意圖，獲取作戰(zhàn)行動(dòng)模式轉(zhuǎn)換、任務(wù)事件焦點(diǎn)時(shí)空演變及地理環(huán)境效能變化等知識(shí)，為行動(dòng)方案推薦、戰(zhàn)情趨勢(shì)預(yù)判、威脅目標(biāo)預(yù)警分析等軍事服務(wù)提供有力支撐。

本文立足現(xiàn)有研究基礎(chǔ)，通過分析戰(zhàn)場(chǎng)文本數(shù)據(jù)句法結(jié)構(gòu)，提出一種融合任務(wù)事件主題的地理環(huán)境時(shí)空主題模型，建立地理時(shí)空因素與事件主題之間的語義相關(guān)性計(jì)算方法。通過對(duì)文本信息中蘊(yùn)含的時(shí)空分布、地理環(huán)境要素特征及影響效能等規(guī)律進(jìn)行分析，考慮事件主題偏好對(duì)時(shí)空數(shù)據(jù)隱含語義信息的影響，建立事件主題與時(shí)空語義特征的聯(lián)合分布模型，自動(dòng)發(fā)現(xiàn)時(shí)間、空間區(qū)域與事件主題之間的關(guān)聯(lián)關(guān)系，生成地理時(shí)空隱含的語義主題，以提高定位應(yīng)急事件時(shí)空信息的準(zhǔn)確性，為有效識(shí)別異常區(qū)域的分布規(guī)律提供支持。

1 相關(guān)研究工作

時(shí)空語義信息是表示現(xiàn)實(shí)事物所代表的時(shí)空概念和含義及其相互之間的關(guān)系，是數(shù)據(jù)在時(shí)空域上的解釋和邏輯表示，對(duì)于各類事件信息的挖掘有著關(guān)鍵作用[2-3]。戰(zhàn)場(chǎng)環(huán)境時(shí)空數(shù)據(jù)描述了戰(zhàn)場(chǎng)環(huán)境的時(shí)間和空間屬性，是戰(zhàn)場(chǎng)環(huán)境的基本組成要素，從不同粒度記錄了不同層次的戰(zhàn)場(chǎng)環(huán)境各要素的活動(dòng)信息。理解戰(zhàn)場(chǎng)環(huán)境時(shí)空數(shù)據(jù)語義對(duì)于深挖戰(zhàn)場(chǎng)環(huán)境各要素作戰(zhàn)效能、提高作戰(zhàn)計(jì)劃推演評(píng)估精度、提升態(tài)勢(shì)推理與威脅估計(jì)效率有著關(guān)鍵作用。例如，利用數(shù)學(xué)方法描述地理實(shí)體、地理現(xiàn)象及其相互之間的時(shí)空關(guān)系，形式化描述戰(zhàn)場(chǎng)環(huán)境對(duì)聯(lián)合作戰(zhàn)活動(dòng)影響的基本規(guī)律[4]；利用全球空間立體網(wǎng)格剖分并對(duì)時(shí)空信息進(jìn)行編碼，簡(jiǎn)化復(fù)雜的時(shí)空運(yùn)算以提高時(shí)空屬性定量表達(dá)的精確性[5]；利用模板匹配與貝葉斯網(wǎng)絡(luò)相結(jié)合的推理算法處理高維時(shí)空數(shù)據(jù)，建立有效推理模式以合理預(yù)估敵軍行為模式和作戰(zhàn)意圖[6]?？傊?，準(zhǔn)確理解戰(zhàn)場(chǎng)環(huán)境時(shí)空語義信息對(duì)于戰(zhàn)場(chǎng)信息融合有著十分重要的意義，隨著戰(zhàn)場(chǎng)時(shí)空數(shù)據(jù)類型與體量持續(xù)增長(zhǎng)及作戰(zhàn)應(yīng)用深入需求，將會(huì)越來越多地受到不同作戰(zhàn)領(lǐng)域的關(guān)注。

目前，隨著以深度學(xué)習(xí)為代表的人工智能技術(shù)的發(fā)展，從方法上，戰(zhàn)場(chǎng)環(huán)境時(shí)空數(shù)據(jù)語義理解由傳統(tǒng)的基于規(guī)則的模式匹配向基于信息識(shí)別與分類的自主學(xué)習(xí)發(fā)展，并在無人平臺(tái)、知識(shí)圖譜、輔助決策等方面取得了一定的研究進(jìn)展。國內(nèi)，文獻(xiàn)[7]針對(duì)現(xiàn)有無人自主平臺(tái)在復(fù)雜環(huán)境上認(rèn)知和理解不足，提出建立任務(wù)關(guān)聯(lián)環(huán)境模型形成持續(xù)自主學(xué)習(xí)模式，在不斷的數(shù)據(jù)交互中實(shí)現(xiàn)機(jī)器對(duì)環(huán)境的理解；文獻(xiàn)[8]通過構(gòu)建基于深度認(rèn)知神經(jīng)網(wǎng)絡(luò)，從戰(zhàn)場(chǎng)情報(bào)中高效準(zhǔn)確地發(fā)現(xiàn)有價(jià)值信息，獲取多源情報(bào)隱含的關(guān)聯(lián)分析，從而提取滿足需求的可理解并利用的時(shí)空知識(shí)；文獻(xiàn)[9—10]從語義層面統(tǒng)一多源異構(gòu)的戰(zhàn)場(chǎng)環(huán)境數(shù)據(jù)資源，利用知識(shí)圖譜集成融合各類概念關(guān)系，提高時(shí)空知識(shí)整體認(rèn)知水平；文獻(xiàn)[11]將深度學(xué)習(xí)方法應(yīng)用于態(tài)勢(shì)理解，以用戶需求和作戰(zhàn)任務(wù)的綜合情境作為知識(shí)過濾約束條件，實(shí)現(xiàn)對(duì)相關(guān)語義知識(shí)的自動(dòng)檢索，提高輔助決策的智能化程度[11]。國外，美軍從2007年提出“深綠計(jì)劃”開始，一直致力于計(jì)算機(jī)對(duì)戰(zhàn)場(chǎng)數(shù)據(jù)理解及智能化處理的研究，并在最新的《2017—2042年無人系統(tǒng)發(fā)展路線圖》中將語義理解和語義分析技術(shù)作為無人指揮信息系統(tǒng)關(guān)鍵技術(shù)，包括自然文本、圖像、語音等各種類型載體的自動(dòng)整合及生成，利用深度學(xué)習(xí)方法從戰(zhàn)場(chǎng)獲取的各類數(shù)據(jù)中抽取隱藏的有價(jià)值特征，用于模式識(shí)別、特征分類、關(guān)系挖掘及事件預(yù)測(cè)，實(shí)現(xiàn)從不確定信息中理解數(shù)據(jù)、分析結(jié)果和推理關(guān)系[12-13]。

從戰(zhàn)場(chǎng)文本中提取相關(guān)地理環(huán)境時(shí)空主題，是地理環(huán)境時(shí)空數(shù)據(jù)語義理解的首要解決問題。盡管上述文獻(xiàn)從不同角度利用時(shí)空數(shù)據(jù)處理與分析方法，闡述時(shí)空語義理解的相關(guān)技術(shù)和應(yīng)用，但是從時(shí)空主題角度研究戰(zhàn)場(chǎng)環(huán)境時(shí)空數(shù)據(jù)挖掘中的相關(guān)任務(wù)，特別是對(duì)其隱含語義信息挖掘的相關(guān)工作尚未完善。目前，主題模型作為文本挖掘的重要數(shù)學(xué)模型，已廣泛應(yīng)用于遙感影像分類及檢索、地理信息分類與融合、位置軌跡數(shù)據(jù)挖掘及地理時(shí)空主題提取等方面[14-17]，通過基于抽象文檔主題的統(tǒng)計(jì)模型研究了在不同主題分類下時(shí)空信息提取與時(shí)空事件發(fā)展規(guī)律并取得了一系列成果[18-21]。這也為地理環(huán)境時(shí)空主題挖掘提供了基礎(chǔ)模型。為了進(jìn)一步研究任務(wù)事件與時(shí)空主題之間的相關(guān)性，挖掘影響事件主題特征的時(shí)空因素，獲取地理環(huán)境時(shí)空數(shù)據(jù)隱含語義信息，本文借鑒GIS領(lǐng)域研究者從融合地理位置及其相應(yīng)的區(qū)域環(huán)境特征語義出發(fā)，按照不同時(shí)空語義變化條件，挖掘地理位置中的隱含語義信息。如，文獻(xiàn)[22]利用web日志提取公共主題來發(fā)現(xiàn)時(shí)空主題模式，分別通過給定位置生成的主題生命周期和主題快照的比較分析，發(fā)現(xiàn)主題模式的演變；文獻(xiàn)[23—24]從空間、時(shí)間和行為3個(gè)方面建立一個(gè)聯(lián)合概率模型，有效地應(yīng)用于社交網(wǎng)絡(luò)生成的與地理信息相關(guān)的文本信息主題發(fā)現(xiàn)；文獻(xiàn)[25]考慮用戶位置的馬爾可夫性質(zhì)，提出一種基于主題多樣性、地理多樣性的社交網(wǎng)絡(luò)文本數(shù)據(jù)的多樣性建模算法；文獻(xiàn)[26]結(jié)合移動(dòng)位置數(shù)據(jù)，提出一種新的位置和文本相結(jié)合的聯(lián)合模型，能有效地找到熱點(diǎn)位置和感興趣的區(qū)域，解決地理分布與主題建模之間關(guān)系問題。

2 方 法

地理環(huán)境時(shí)空數(shù)據(jù)隱含語義與文本主題密切相關(guān)，并通過相關(guān)的主題特征詞匯進(jìn)行表達(dá)。具體體現(xiàn)為：不同空間區(qū)域?qū)ζ浞秶鷥?nèi)的任務(wù)事件主題影響程度是不同的，通常與地理環(huán)境的軍事效能相關(guān)，如不同地貌對(duì)機(jī)動(dòng)任務(wù)的影響，反映在文本中由“越野機(jī)動(dòng)”或者“道路機(jī)動(dòng)”等相關(guān)功能性詞匯相組合進(jìn)行描述，以表示山地或者平原區(qū)域；不同時(shí)間對(duì)其階段內(nèi)的任務(wù)事件主題也會(huì)產(chǎn)生不同的影響程度，如一日內(nèi)白天與夜晚對(duì)道路機(jī)動(dòng)速度影響程度不同，一年內(nèi)雨季與非雨季對(duì)道路機(jī)動(dòng)速度影響程度也不同。

因而，為了有效判別不同時(shí)空區(qū)域?qū)θ蝿?wù)事件主題的影響程度，挖掘時(shí)空數(shù)據(jù)的隱含語義，形成時(shí)空數(shù)據(jù)語義理解過程，主要采取如下的解決方法：數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理和數(shù)據(jù)主題計(jì)算等。如圖1所示。下面重點(diǎn)闡述數(shù)據(jù)主題計(jì)算過程：①分析戰(zhàn)場(chǎng)文本的句法結(jié)構(gòu)，通過信息抽取的方法抽取主題要素，建立基于LDA的事件主題分類及其對(duì)應(yīng)的特征詞匯分布；②通過構(gòu)建基于事件的地理環(huán)境時(shí)空主題模型，將事件主題與空間、時(shí)間特征詞匯建立聯(lián)合分布，提高時(shí)空數(shù)據(jù)隱含語義獲取的準(zhǔn)確性；③基于支持向量機(jī)方法結(jié)合主題模型實(shí)現(xiàn)地理時(shí)空主題的實(shí)時(shí)分類，以滿足實(shí)時(shí)信息的主動(dòng)發(fā)現(xiàn)需求。

2.1 基于句法分析的主題要素抽取

戰(zhàn)場(chǎng)文本數(shù)據(jù)是指戰(zhàn)場(chǎng)信息以文本形式進(jìn)行描述和傳遞的各類數(shù)據(jù)，包括各類命令、指示、計(jì)劃、方案、請(qǐng)求、報(bào)告等。為了從這些非結(jié)構(gòu)化信息中抽取出與地理環(huán)境信息相關(guān)的主題信息，首先對(duì)其進(jìn)行句法分析，獲取主題要素的結(jié)構(gòu)組成及其語義特征。由于戰(zhàn)場(chǎng)文本在通常情況下都是按照軍用文書的格式進(jìn)行編輯，因而其數(shù)據(jù)的語義結(jié)構(gòu)在一定程度上符合軍用文書的編寫規(guī)范，并具有以下幾個(gè)特征。

(1) 句法結(jié)構(gòu)相對(duì)固定。戰(zhàn)場(chǎng)文本基本上以陳述句為主，且句式簡(jiǎn)短，其中復(fù)合句的形式也以簡(jiǎn)單謂語構(gòu)成的并列復(fù)句為主，較少出現(xiàn)連詞構(gòu)成的復(fù)雜句式，如連貫復(fù)句、遞進(jìn)復(fù)句等。

(2) 文本內(nèi)容層級(jí)易解。從內(nèi)容對(duì)象上，分為對(duì)象的靜態(tài)狀態(tài)描述(如部隊(duì)部署位置、時(shí)間等信息)和動(dòng)態(tài)行為描述(如部隊(duì)行動(dòng)路線、行為規(guī)劃等信息)；從內(nèi)容詞義上，內(nèi)容描述按照文字字面意思組合而成，有利于人機(jī)理解。

(3) 語義描述明確無歧義。為了確保不同信息系統(tǒng)對(duì)戰(zhàn)場(chǎng)文本的一致性理解，文本語義描述必須是明確清晰，避免出現(xiàn)歧義現(xiàn)象。

圖1 地理環(huán)境時(shí)空數(shù)據(jù)隱含語義理解過程Fig.1 Latent semantic understanding process of geographical environment spatio-temporal data

從上述特征可以看出，在語法結(jié)構(gòu)上，戰(zhàn)場(chǎng)文本數(shù)據(jù)通過具有一定語法結(jié)構(gòu)的句子來描述事件發(fā)生過程，即“主語+謂語+(賓語+狀語+…)”；在語義表達(dá)上，戰(zhàn)場(chǎng)文本數(shù)據(jù)語義結(jié)構(gòu)由主體、行為關(guān)鍵詞、客體及相關(guān)屬性等主題語義要素組成。因此，可將其形式化描述為四元組模型，即：主題語義要素=〈主體，行為關(guān)鍵詞，客體，屬性〉。

其中，構(gòu)成主題語義要素中的每一項(xiàng)元素都可以與句中的詞組相對(duì)應(yīng)，形成特征詞組與主題要素相關(guān)聯(lián)的模式。具體表示為：主語對(duì)應(yīng)事件發(fā)生的主體，一般由名詞、數(shù)量詞組合表示；謂語對(duì)應(yīng)事件發(fā)生的行為，一般由動(dòng)詞表示；賓語對(duì)應(yīng)事件發(fā)生的客體，一般由名詞、數(shù)量詞組合表示；其他部分描述對(duì)應(yīng)事件發(fā)生的相關(guān)屬性，如時(shí)間、位置等，一般由名詞、代詞、介詞等組合表示，文本詞組主要以實(shí)詞構(gòu)成，較少出現(xiàn)虛詞。

采用正則表達(dá)式進(jìn)一步將文本主題要素與詞組以字符串的形式相匹配，從而將文本語義轉(zhuǎn)換為詞義組合表達(dá)[27]。作為主題要素自動(dòng)抽取的基本模式，以一個(gè)簡(jiǎn)單句semPattern作為實(shí)例，使用正則表達(dá)式如下

semPattern=(^|)[(option_modifier|)subject_

noun|behkey_verb(|object_

noun)|attribute_phrase]

(+)(|$)

式中，subject_noun表示主體名詞；behkey_verb表示行為關(guān)鍵動(dòng)詞；object_noun表示客體名詞；attribute_phrase表示屬性詞組；option_modifier表示修飾詞組；[]表示所必須組成要素；()表示可選項(xiàng)；“^”表示字符串序列開頭標(biāo)識(shí)；“|”表示語義匹配邏輯；“+”表示字符串表達(dá)式可多次匹配；“$”表示字符串序列結(jié)尾標(biāo)識(shí)。時(shí)空語義信息通常是以屬性詞組形式進(jìn)行描述。由此可將attribute_phrase進(jìn)一步分解為表示空間語義的where字符串和表示時(shí)態(tài)語義的when字符串，即

attribute_phrase=[at-where](|route-where)[|start-when](|end-when)

以某個(gè)文本片段為例：“2連于4月08日12時(shí)占領(lǐng)1號(hào)地域南側(cè)”，其相應(yīng)的正則表達(dá)式分解如下

semPattern=〈subject_noun:2連|behkey_verb:占領(lǐng)|object_noun:1號(hào)地域|at-where:南側(cè)|start-when:4月08日12時(shí)|attribute_phrase:于〉

2.2 基于LDA的任務(wù)事件主題分類

戰(zhàn)場(chǎng)文本數(shù)據(jù)內(nèi)涵豐富，但是語義主題比較明確。以作戰(zhàn)任務(wù)信息為例，任務(wù)事件內(nèi)容包括行動(dòng)目的、行動(dòng)對(duì)象、行動(dòng)類型、時(shí)空信息及其他屬性信息，每一條信息又可以按照層次和尺度進(jìn)行分解，歸類至不同執(zhí)行者，按照相應(yīng)的主題形成具體的行動(dòng)序列。任務(wù)事件主題分類與文本分類相似，將任務(wù)事件映射為一篇文檔，任務(wù)中的意圖或者目的作為一個(gè)主題，每個(gè)事件的主體和客體對(duì)象關(guān)聯(lián)的屬性及其行為活動(dòng)作為單詞。一個(gè)目的任務(wù)相當(dāng)于主體和客體對(duì)象完成行為過程的集合，包括任務(wù)執(zhí)行對(duì)象、地理環(huán)境對(duì)象、行為作用等，在文檔中映射為構(gòu)成上述事件主題要素特征的詞匯，如描述任務(wù)下達(dá)者、執(zhí)行者、行為以及區(qū)域、興趣點(diǎn)、位置、作用關(guān)系、時(shí)間等相關(guān)主題特征詞匯。

潛在的狄利克雷分布(latent Dirichlet allocation，LDA)模型是一個(gè)建立“文本-主題-詞匯”3層貝葉斯模型，通過主題分布與詞分布的概念，能夠?qū)⑽臋n轉(zhuǎn)換到主題空間進(jìn)行分析，根據(jù)主題進(jìn)行語義區(qū)分，從而獲得文檔在隱主題空間的表示，也就是既能將詞匯聚類成主題，也能將文檔聚類成多個(gè)主題[28-29]。

因此，使用LDA模型能夠抽取構(gòu)成主題要素的特征詞匯，并得到事件主題分布。具體方法是：①將戰(zhàn)場(chǎng)文本集合記作D(d1,d2,d3,…,dn)，每一篇文檔d內(nèi)容可視為由不同任務(wù)事件主題混合組成，每個(gè)文檔按一定的概率分布表達(dá)多個(gè)主題，設(shè)目前按照任務(wù)主題區(qū)分獲取已知主題數(shù)為K；②在前述句法結(jié)構(gòu)分析基礎(chǔ)上，通過分詞、過濾、關(guān)鍵詞提取等步驟，生成描述主題要素的關(guān)鍵詞集W(w1,w2,w3,…,wn)，每個(gè)主題按一定的概率分布選擇不同的詞匯進(jìn)行表達(dá)，也就是由若干描述事件主題要素的詞匯構(gòu)成一個(gè)概率分布；③通過Gibbs采樣，由每個(gè)詞匯在不同的文檔中對(duì)應(yīng)不同的主題概率得到相應(yīng)主題分布，生成主題集Z(z1,z2,z3,…,zn)，同時(shí)輸出基于主題集Z下的詞匯分布Wd。由概率圖來表示LDA模型實(shí)現(xiàn)過程，如圖2所示。

圖2中，空心圓部分表示潛在概率，wd,n表示文檔d中第n個(gè)詞匯概率，zd,n表示文檔d中第n個(gè)詞匯所對(duì)應(yīng)的主題概率，θd表示文檔d中主題分布概率，ψk表示組成主題k的詞匯分布概率，α表示文檔中主題分布的超參數(shù)，β表示主題中單詞分布的超參數(shù)；矩形框部分表示重復(fù)的過程，M表示文檔中詞匯個(gè)數(shù)，Q表示文檔個(gè)數(shù)，K表示文檔主題個(gè)數(shù)，分別用于每個(gè)矩形框內(nèi)容重復(fù)的次數(shù)。由此，通過主題分布的采樣獲取任務(wù)事件主題z，通過基于主題z下詞匯的分布概率獲取詞匯w，并不斷地重復(fù)上述過程直至文檔主題對(duì)應(yīng)的所有詞匯生成完畢。

圖2 基于LDA模型的事件主題分布過程Fig.2 Event topic distribution process based on LDA model

利用OPTICS聚類方法[30]，可對(duì)每個(gè)任務(wù)事件每個(gè)主題概率分布進(jìn)行聚類分析，獲得相對(duì)集中的任務(wù)事件主題分類結(jié)果，與作戰(zhàn)任務(wù)類型相結(jié)合，將描述相似任務(wù)類型內(nèi)容的詞匯合并為一個(gè)大主題，形成具有層次結(jié)構(gòu)的事件主題分類。表1為部分相關(guān)主題的特征詞匯分布。

2.3 基于事件主題的地理環(huán)境時(shí)空主題模型

按照空間相關(guān)性原理，地物之間的相關(guān)性與距離有關(guān)，距離越近，地物間相關(guān)性越大；反之，地物間相關(guān)性越小。在文本中由自然語言描述空間信息，利用詞匯之間的語義相似性來反映空間對(duì)象之間的相關(guān)性，由此通過聚類方法發(fā)現(xiàn)地理時(shí)空主題，即如果兩個(gè)詞匯語義對(duì)事件主題的描述很相似，那么它們極有可能屬于同一空間區(qū)域；如果兩個(gè)詞匯語義描述同一空間區(qū)域，那么它們就可被聚類為同一空間主題。

為了能夠有效獲取時(shí)空主題，每個(gè)文檔經(jīng)主題要素抽取后，形成由實(shí)體詞向量組與描述空間、時(shí)間、事件等主題特征的屬性詞向量組組成，即d={wd,rd,td,zd}，其中wd表示文檔經(jīng)過分詞與實(shí)體抽取后形成的實(shí)體詞向量組；rd表示文檔中描述事件相關(guān)的空間特征屬性的詞向量，如事件發(fā)生位置的經(jīng)緯度；td表示文檔中描述事件相關(guān)的時(shí)間特征屬性的詞向量，如具體日期與時(shí)間點(diǎn)；zd表示文檔經(jīng)主題分類后描述事件主題特征屬性的詞向量。

表1 部分相關(guān)主題分類及其特征詞匯分布

利用LDA主題模型對(duì)上述詞向量建立聯(lián)合分布模型，通過對(duì)事件主題模型的改進(jìn)，構(gòu)建地理時(shí)空主題模型。其思路是：①通過LDA模型將高維的“事件文本—時(shí)空特征”數(shù)據(jù)矩陣降維成“事件文本—主題—時(shí)空特征”低維數(shù)據(jù)矩陣，利用“文檔—主題—詞匯”3層貝葉斯模型計(jì)算“事件文本—主題”、“主題—時(shí)空特征”的分布并分別得到事件主題、空間主題及時(shí)間主題的多項(xiàng)分布參數(shù)；②由主題分布參數(shù)計(jì)算每個(gè)事件文本對(duì)應(yīng)的時(shí)空主題概率方差并對(duì)其進(jìn)行排序，獲得相應(yīng)的時(shí)空主題分布；③按照一定的閾值過濾不符合實(shí)際的主題，并對(duì)滿足閾值條件的主題記錄其對(duì)應(yīng)選擇的特征詞匯分布。由概率圖模型表示其實(shí)現(xiàn)過程如圖3所示。具體實(shí)現(xiàn)過程如下：

(1) 由設(shè)定超參數(shù)α0的Dirichlet分布，采樣得到文檔中事件主題z分布參數(shù)θ0。

圖3 時(shí)空主題模型實(shí)現(xiàn)過程Fig.3 Implementation process ofspatiotemporal topic model

(2) 由設(shè)定超參數(shù)β0的Dirichlet分布，采樣得到文檔中每個(gè)事件主題z=1,2,…,k對(duì)應(yīng)的實(shí)體詞的條件概率分布φz。

(3) 從空間域上，按照任務(wù)事件尺度，在全局條件下劃分任務(wù)執(zhí)行空間區(qū)域集R，R={r1,r2,…,rn}，每個(gè)區(qū)域r內(nèi)包含地理環(huán)境要素空間屬性及其效能特征：①在位置特征上，采用基于經(jīng)緯度l(longitude,latitude)由位置均值向量μ和協(xié)方差矩陣ε構(gòu)成的高斯分布，由此形成具有軍事效能的局部地理主題分布，并對(duì)各自任務(wù)區(qū)域內(nèi)的事件主題產(chǎn)生影響；②由設(shè)定超參數(shù)η0的Dirichlet分布，采樣得到文檔中空間區(qū)域r的主題分布參數(shù)ηr；③由設(shè)定超參數(shù)γ0的Dirichlet分布，采樣得到文檔中每個(gè)事件主題對(duì)應(yīng)的區(qū)域R地理實(shí)體詞匯的條件概率分布λgeo。

(4) 從時(shí)間域上，文本中往往描述的是一個(gè)時(shí)間點(diǎn)，如以“年-月-日時(shí)：分：秒”格式描述事件相關(guān)的時(shí)間變量。為了避免這種離散時(shí)間造成跨度大小不一的問題，在時(shí)間特征上采用Beta分布，從Beta(δ0)中采樣得到每個(gè)事件主題z=1,2,…,k對(duì)應(yīng)的時(shí)間分布參數(shù)φz，以此描述不同事件主題時(shí)間連續(xù)變化的強(qiáng)度[31]。

(5) 從主題域上，一個(gè)文檔的主題由背景主題分布和區(qū)域主題分布共同影響，主題表達(dá)通過相應(yīng)的詞向量的語義進(jìn)行描述，反映在事件文本上對(duì)應(yīng)事件主題分布和區(qū)域地理主題分布。對(duì)于每個(gè)事件主題z=1,2,…,k，由θ0、ηr、λgeo構(gòu)建主題多項(xiàng)式分布，從中抽取形成任務(wù)事件主題分布Zd和區(qū)域地理主題分布Zgeo。

(6) 依據(jù)事件主題分布Zd對(duì)應(yīng)實(shí)體詞的條件概率分布φz，與區(qū)域地理主題分布Zgeo對(duì)應(yīng)地理實(shí)體詞的條件概率分布λgeo，分別從其多項(xiàng)式分布中抽取相應(yīng)的詞匯w，并依據(jù)Beta(δ0)對(duì)應(yīng)的時(shí)間分布參數(shù)φz抽取相應(yīng)的時(shí)間詞匯t。

任務(wù)事件主題Zd所包含的地理時(shí)空詞匯W在語義上與區(qū)域地理主題分布Zgeo相關(guān)聯(lián)，而區(qū)域地理主題分布Zgeo又從語義上反映了時(shí)空主題類型的區(qū)域分布，因此，這里依據(jù)任務(wù)事件主題Zd、區(qū)域地理主題分布Zgeo建立聯(lián)合分布概率P。引入上述時(shí)空主題模型中各元素求解相應(yīng)主題中潛在變量的詞匯分布W，使用歐拉公式可得如下依賴關(guān)系

(1)

式中，事件主題分布參數(shù)θ、區(qū)域空間主題分布參數(shù)η和實(shí)體詞匯主題分布參數(shù)φ計(jì)算公式如下[31]，相應(yīng)的主題類型條件概率分布可基于主題分布參數(shù)進(jìn)行求解

(2)

(3)

(4)

對(duì)于每個(gè)文檔，利用Gibbs采樣估計(jì)主題模型參數(shù)，生成空間區(qū)域、位置、事件和詞匯的主題分布并分別滿足以下相應(yīng)的條件概率分布。

(1) 生成潛在的空間區(qū)域分布R，使之滿足

rd～p(rd|η0+ηz)

(5)

式中，η0滿足空間全局分布；ηz滿足任務(wù)事件主題空間區(qū)域分布，表示潛在的空間區(qū)域分布依賴于空間全局分布和任務(wù)事件主題區(qū)域分布。

(2) 生成位置分布L，使之滿足

ld～N(μr,εr)

(6)

式中，μ為位置均值向量；ε為協(xié)方差矩陣，表示每個(gè)位置依賴于潛在空間區(qū)域并服從高斯分布。

(3) 生成主題分布Z，使之滿足

zd～p(zd|θ0+θz+θgeo)

(7)

式中，θ0滿足主題全局分布；θz滿足事件主題分布；θgeo滿足區(qū)域地理主題分布，表示根據(jù)空間區(qū)域分布和位置分布，潛在主題分布依賴于事件主題和區(qū)域地理主題。

(4) 生成詞匯主題分布W，使之滿足

wd～p(wd|φ0+φgeo)

(8)

式中，φ0為全局事件主題參數(shù)；φgeo為區(qū)域地理主題參數(shù)，表示特征詞分布依賴于主題分布。

改進(jìn)后的基于LDA模型計(jì)算時(shí)空主題分布算法過程如下所示。

算法1：基于LDA模型計(jì)算時(shí)空主題分布算法過程

輸入：文檔向量集合j5i0abt0b，主題數(shù)目k，超參數(shù)α0、β0、η0、γ0、δ0

輸出：多項(xiàng)分布參數(shù)θ、φ、η，主題類型分布{zd}以及對(duì)應(yīng)的詞分布{wd}

(1) 初始化參數(shù)。

(2) 主題采樣：

for all文檔m∈[1,M] do

for all單詞n∈[1,Nm] in 文檔m do

采樣Zm,n，使得Zm,n=k～multi(1/K)

更新相應(yīng)m,n計(jì)數(shù)

(3) Gibbs采樣：

for all文檔m∈[1,M] do

for all單詞n∈[1,Nm] in 文檔m do

更新相應(yīng)m,n計(jì)數(shù)

(4) 檢查收斂性，讀取主題分布參數(shù)：

if 收斂且達(dá)到閾值then

歸一化參數(shù)；

利用式(2)—式(4)讀取相應(yīng)的主題分布參數(shù)

(5) 基于上述參數(shù)計(jì)算主題分布及詞分布，分別滿足式(5)—式(8)。

2.4 基于支持向量機(jī)的實(shí)時(shí)主題分類

由于軍事語料標(biāo)注樣本的局限，為了能夠利用文本特征學(xué)習(xí)實(shí)現(xiàn)文本的主題檢測(cè)，采用監(jiān)督學(xué)習(xí)方式中的支持向量機(jī)(support vector machine,SVM)方法，在基于訓(xùn)練樣本的學(xué)習(xí)特征基礎(chǔ)上，建立機(jī)器學(xué)習(xí)模型，解決小樣本情況下的機(jī)器學(xué)習(xí)問題，從而當(dāng)新的任務(wù)事件文本輸入時(shí)，結(jié)合SVM通過主題模型判斷文本中對(duì)應(yīng)的地理時(shí)空主題類別，實(shí)現(xiàn)時(shí)空主題實(shí)時(shí)分類。

(1) 對(duì)已有的樣本數(shù)據(jù)按照主題分布的概率進(jìn)行排序，找出文本集合中隱含的地理時(shí)空主題，將其作為已發(fā)現(xiàn)的主題。

(2) 利用SVM算法構(gòu)建時(shí)空主題分類模型，基于已發(fā)現(xiàn)的地理時(shí)空主題及其特征詞匯分布作為文檔樣本集，將構(gòu)建的聯(lián)合主題分布特征向量作為輸入。如下所示

(9)

式中，m為樣本個(gè)數(shù)；x(i)、y(i)分別為樣本i輸入、輸出值；ωTx(i)+b=0為超平面；ξi為第i個(gè)樣本的松弛系數(shù)；C為懲罰系數(shù)。

3 試驗(yàn)與應(yīng)用分析

3.1 試驗(yàn)數(shù)據(jù)

本文以某戰(zhàn)術(shù)訓(xùn)練場(chǎng)為研究區(qū)域，試驗(yàn)數(shù)據(jù)集選用近年戰(zhàn)術(shù)演習(xí)導(dǎo)調(diào)系統(tǒng)采集獲得的文本數(shù)據(jù)，包含690個(gè)計(jì)劃、2250條命令、695條指示、1035條報(bào)告等共4670篇文檔，如表2所示。位置數(shù)據(jù)采用的是該區(qū)域1∶5萬系列比例尺矢量地圖數(shù)據(jù)，各類文本信息均包含位置、時(shí)間及相應(yīng)事件主題信息。

表2 文本數(shù)據(jù)源及其分類

對(duì)上述戰(zhàn)場(chǎng)文本數(shù)據(jù)內(nèi)容按要素進(jìn)行標(biāo)注形成訓(xùn)練樣本語料庫，見表3。

3.2 試驗(yàn)設(shè)計(jì)及精度評(píng)估

本試驗(yàn)利用上述已有的文檔語料庫進(jìn)行模型主題分類驗(yàn)證。將文檔樣本集隨機(jī)分組，其中80%作為訓(xùn)練集，20%作為測(cè)試集，構(gòu)建主題模型輸入的文檔集D。采用perplexity[32]指標(biāo)計(jì)算戰(zhàn)場(chǎng)文本的時(shí)空主題數(shù)K。首先，設(shè)定K∈(4,120)，利用80%的訓(xùn)練集計(jì)算此時(shí)的時(shí)空主題分布及其perplexity值域；其次，在訓(xùn)練集計(jì)算的時(shí)空主題分布基礎(chǔ)上，利用20%的測(cè)試集計(jì)算此時(shí)的時(shí)空主題分布及其perplexity值域；最后，基于perplexity分布曲線確定主題數(shù)K，同時(shí)通過交叉驗(yàn)證，得到模型的準(zhǔn)確率。

表3 部分訓(xùn)練樣本語料片段示例

如圖4所示，試驗(yàn)中perplexity指標(biāo)分布曲線按照主題數(shù)K的增加而不斷下降，且下降趨勢(shì)逐漸減小。當(dāng)K=4時(shí)，perplexity值最高，接近750；當(dāng)K在(4,40)區(qū)間時(shí)，perplexity值隨K值增加而迅速下降；當(dāng)K>40時(shí)，perplexity值隨K值增加趨于穩(wěn)定。由此，當(dāng)K=40時(shí)作為主題數(shù)臨界值，文本主題的可信度并未隨K值增加而明顯提高，因而，選擇主題數(shù)為40。

圖4 不同主題數(shù)量下困惑度比較Fig.4 Comparison of perplexity values with different topics

此時(shí)計(jì)算文本的時(shí)空主題分布概率，表4所示為部分主題類型及其所對(duì)應(yīng)空間對(duì)象的分布概率。同一主題下分布概率較高的空間對(duì)象突出了與事件主題緊密聯(lián)系的相關(guān)特征表達(dá)，從影響任務(wù)事件的效能特征上反映了時(shí)空主題類型。如主題6中“公路”“街區(qū)”“車站”“村莊”等空間實(shí)體類型，反映了道路機(jī)動(dòng)相關(guān)時(shí)空主題；主題17中“高地”“樹林”“密灌”“沖溝”“沼澤地”等空間實(shí)體類型，反映了越野機(jī)動(dòng)相關(guān)時(shí)空主題。

表4 不同時(shí)空主題類型對(duì)應(yīng)的部分空間實(shí)體對(duì)象分布

根據(jù)上述方法獲取樣本數(shù)據(jù)的分類精度，如表5所示。在3736個(gè)訓(xùn)練樣本中，3347個(gè)任務(wù)事件被提取主題分布，其中2881個(gè)樣本被正確提取時(shí)空主題，分類精確率為86.1%；在934個(gè)測(cè)試樣本中，819個(gè)任務(wù)事件被提取主題分布，其中702個(gè)樣本被正確提取時(shí)空主題，分類精確率為85.7%。由此，總體上說明該模型適合對(duì)戰(zhàn)場(chǎng)文本數(shù)據(jù)從任務(wù)事件主題中提取相關(guān)的時(shí)空主題分類。

3.3 應(yīng)用分析

為了驗(yàn)證上述方法在實(shí)際應(yīng)用中的可行性與價(jià)值，將基于任務(wù)事件的地理環(huán)境時(shí)空主題模型對(duì)戰(zhàn)場(chǎng)文本數(shù)據(jù)進(jìn)行主題信息抽取和語義相關(guān)性分析，應(yīng)用于時(shí)空主題趨勢(shì)及不同主題下時(shí)空分布特征分析，以驗(yàn)證隱含語義理解方法的可行性，從而為數(shù)據(jù)挖掘自動(dòng)化提供支撐。

表5 時(shí)空主題分類精度

3.3.1 時(shí)空主題趨勢(shì)分析

在上述樣本的基礎(chǔ)上對(duì)任務(wù)事件及地理時(shí)空主題信息進(jìn)行抽取。選取某一個(gè)時(shí)間階段任務(wù)過程所包含的文本數(shù)據(jù)來計(jì)算不同主題所占的比例，隨著時(shí)間變化相應(yīng)的主題比例發(fā)生規(guī)律性變化，如圖5所示。線狀表示事件主題，點(diǎn)狀表示地理主題。從主題相關(guān)性角度，分析任務(wù)事件主題與時(shí)空主題之間存在的語義關(guān)聯(lián)性，發(fā)現(xiàn)地理環(huán)境對(duì)任務(wù)事件所具有的軍事效能；從主題發(fā)展趨勢(shì)角度，分析不同主題在時(shí)間軸上的分布，發(fā)現(xiàn)事件主題的發(fā)展過程規(guī)律。

圖5 不同主題隨時(shí)間變化所占比例發(fā)生變化Fig.5 Trend of proportion under different topics over time

(1) 主題相關(guān)性分析。 由圖5可以看出，每個(gè)任務(wù)事件主題關(guān)聯(lián)著若干個(gè)時(shí)空主題，每個(gè)時(shí)空主題又關(guān)聯(lián)著若干個(gè)空間實(shí)體對(duì)象。利用統(tǒng)一資源描述框架RDF來描述兩者的語義相關(guān)性，見表6。采用“主語—謂語—賓語”結(jié)構(gòu)描述“主體—語義關(guān)系—客體”，能夠清楚地陳述主題數(shù)據(jù)之間的對(duì)應(yīng)關(guān)系，從軍事效能上進(jìn)一步表達(dá)時(shí)空主題隱含語義信息。

表6 部分事件主題與地理主題的語義關(guān)系

以任務(wù)事件主題“道路機(jī)動(dòng)”為例，其關(guān)聯(lián)較密切的地理主題有“接近路”“地面障礙”“觀察與射界”，其中“接近路”與任務(wù)事件的相關(guān)度最大，空間實(shí)體對(duì)象“道路”相比“植被”“居民地”等對(duì)地理主題“接近路”影響要大，這與地理環(huán)境實(shí)體對(duì)任務(wù)影響效能結(jié)果是一致的。因此，一個(gè)任務(wù)事件主題隨著事件時(shí)間發(fā)展，事件發(fā)生區(qū)域地理主題的變化能夠反映事件發(fā)展不同階段所關(guān)注的時(shí)空對(duì)象。通過分析時(shí)空對(duì)象的主題相關(guān)性，能夠進(jìn)一步從語義上解析時(shí)空數(shù)據(jù)里面隱含的主題知識(shí)。

(2) 主題發(fā)展趨勢(shì)分析。一個(gè)任務(wù)過程隨著事件時(shí)間發(fā)展可以分為若干個(gè)任務(wù)事件主題。如圖5中在4月21日05時(shí)00分至17時(shí)00分，共包括“隱蔽集結(jié)”“道路機(jī)動(dòng)”“阻擊防御”等3個(gè)任務(wù)事件主題。分別統(tǒng)計(jì)每個(gè)主題在此期間所對(duì)應(yīng)的比例，發(fā)現(xiàn)9時(shí)之前以“隱蔽集結(jié)”主題為主，任務(wù)關(guān)注重點(diǎn)是如何利用從空中和地面免受觀察的地形要素，如植被與隱蔽配置，完成集結(jié)任務(wù)；9時(shí)至13時(shí)以“道路機(jī)動(dòng)”主題為主，任務(wù)關(guān)注重點(diǎn)是根據(jù)通路分析計(jì)算通道容量，分析利于武器裝備通過的機(jī)動(dòng)走廊相關(guān)地形要素，完成機(jī)動(dòng)任務(wù)；13時(shí)之后以“阻擊防御”主題為主，任務(wù)關(guān)注重點(diǎn)是利用對(duì)特定武器部署位置有影響的、且具有防御能力的地形要素，構(gòu)建直瞄和間瞄武器射擊區(qū)域，避免受敵火力威脅區(qū)域地理環(huán)境，達(dá)成阻擊任務(wù)。結(jié)合時(shí)間信息，對(duì)應(yīng)時(shí)空主題分布分別從“隱藏配置”主題，“接近路”主題發(fā)展為“觀察與射界”主題，將整個(gè)任務(wù)過程分為3個(gè)階段，分別對(duì)應(yīng)任務(wù)事件的初期、發(fā)展期和結(jié)束期。因此，一個(gè)任務(wù)過程中包含不同的事件主題，能夠反映不同階段任務(wù)關(guān)注的重點(diǎn)，由時(shí)空主題關(guān)聯(lián)反映出區(qū)域地理環(huán)境變化特征，有助于進(jìn)一步從不同角度預(yù)測(cè)任務(wù)發(fā)展進(jìn)程。

以上對(duì)時(shí)空主題趨勢(shì)分析可以看出，隨著戰(zhàn)場(chǎng)位置與任務(wù)事件進(jìn)展發(fā)生變化，地理環(huán)境時(shí)空主題也隨之發(fā)生改變。通過分析這些變化可以發(fā)現(xiàn)任務(wù)事件主題與時(shí)空主題之間的關(guān)系及發(fā)展趨勢(shì)，有助于發(fā)現(xiàn)事件的發(fā)展規(guī)律并研判地理環(huán)境對(duì)任務(wù)執(zhí)行的影響效能，利用不同的時(shí)空主題作出趨利避害的對(duì)策。

3.3.2 不同主題下時(shí)空分布特征

由于戰(zhàn)場(chǎng)文本數(shù)據(jù)中包含了豐富的位置信息，將每個(gè)任務(wù)事件主題與位置信息相關(guān)聯(lián)，形成帶有主題屬性的點(diǎn)狀地理實(shí)體，對(duì)其在一定空間區(qū)域內(nèi)進(jìn)行聚類分析，產(chǎn)生不同主題下的時(shí)空分布規(guī)律，從而為新事件的位置預(yù)測(cè)提供基礎(chǔ)。

選取上述任務(wù)過程所包含最主要的3個(gè)事件主題“集結(jié)”“機(jī)動(dòng)”“防御”進(jìn)行空間聚類分析，分別包含了115條、370條、406條位置信息文本。采用OPTICS聚類方法對(duì)上述主題關(guān)聯(lián)的位置信息進(jìn)行分析，得到的聚類核心(十字表示)如圖6所示。

圖6 相關(guān)主題的空間聚類Fig.6 Spatial clustering of related topics

“集結(jié)”主題空間分布得到的聚類核心主要分布在區(qū)域A，與其相對(duì)應(yīng)地理主題可以發(fā)現(xiàn)，該區(qū)域以“植被與隱藏配置”時(shí)空主題分布為主，與“植被”“居民地”等空間實(shí)體關(guān)聯(lián)較強(qiáng)，結(jié)合任務(wù)過程事件時(shí)間分布，與“早期”階段任務(wù)主體行為為達(dá)成隱蔽集結(jié)意圖是一致的；“機(jī)動(dòng)”主題空間分布得到的聚類核心主要分布在區(qū)域B，與其相對(duì)應(yīng)地理主題可以發(fā)現(xiàn)，該區(qū)域以“接近路”時(shí)空主題分布為主，與“道路”“居民地”等空間實(shí)體關(guān)聯(lián)較強(qiáng)，結(jié)合任務(wù)過程事件時(shí)間分布，與“發(fā)展期”階段任務(wù)主體行為為達(dá)成沿道路機(jī)動(dòng)意圖是一致的；“防御”主題空間分布得到的聚類核心主要分布在區(qū)域C，與其相對(duì)應(yīng)地理主題可以發(fā)現(xiàn)，該區(qū)域以“觀察與射界配置”時(shí)空主題分布為主，與“高地”“植被”等空間實(shí)體關(guān)聯(lián)較強(qiáng)，結(jié)合任務(wù)過程事件時(shí)間分布，與“結(jié)束期”階段任務(wù)主體行為為達(dá)成阻擊防御意圖是一致的。

從上述對(duì)不同主題下的空間數(shù)據(jù)聚類分析，能夠發(fā)現(xiàn)時(shí)空主題的空間分布特征受到事件主題的影響，并對(duì)事件的發(fā)展產(chǎn)生新的作用。當(dāng)新事件發(fā)生的時(shí)候，通過主題分類結(jié)合空間分析，預(yù)測(cè)事件可能影響的位置區(qū)域，從而有效作出趨利避害的對(duì)策。

4 結(jié) 語

戰(zhàn)場(chǎng)文本信息不僅直接反映戰(zhàn)場(chǎng)行為過程，還蘊(yùn)含著豐富的區(qū)域地理時(shí)空語義信息，與地理環(huán)境變化密切相關(guān)，并揭示了未來時(shí)空過程發(fā)展趨勢(shì)。本文以與任務(wù)事件相關(guān)的戰(zhàn)場(chǎng)文本數(shù)據(jù)為信息源，研究基于句法分析的主題要素抽取及事件主題分類方法，并通過主題模型分析地理時(shí)空主題與事件主題之間的隱含語義分布形態(tài)，揭示區(qū)域地理時(shí)空主題與任務(wù)事件主題之間存在的相關(guān)性特征及在時(shí)序上的發(fā)展趨勢(shì)，反映了不同事件主題影響下的時(shí)空分布規(guī)律。由于本文選擇的數(shù)據(jù)源較為單一，盡管一定程度上能夠反映客觀趨勢(shì)，但是文本數(shù)據(jù)樣本數(shù)量上的不足使得主題隱含語義研究存在一定偏差。未來將結(jié)合不同類型戰(zhàn)場(chǎng)文本數(shù)據(jù)，進(jìn)一步深入挖掘多源文本數(shù)據(jù)中的語義信息，提高主題分類精度；同時(shí)，需要考慮不同尺度時(shí)空區(qū)域與不同等級(jí)任務(wù)對(duì)結(jié)果可能造成的影響，此外，還需考慮算法運(yùn)行的效率對(duì)分類結(jié)果與精度的影響。