吳克啟 孫江磊 王忠思

（1.海軍蚌埠士官學(xué)校三系 蚌埠 233012）（2.海軍蚌埠士官學(xué)校訓(xùn)練部 蚌埠 233012）

1 引言

隨著網(wǎng)絡(luò)的普及，互聯(lián)網(wǎng)已成為重要的公開(kāi)情報(bào)信息源。對(duì)于互聯(lián)網(wǎng)信息處理系統(tǒng)，其抓取的信息的重要程度如何，是系統(tǒng)進(jìn)行自動(dòng)的信息取舍和數(shù)據(jù)過(guò)濾的判斷條件，也是信息檢索、輿情或情報(bào)人員進(jìn)行人工分析的判斷依據(jù)［1］。面對(duì)互聯(lián)網(wǎng)上的海量信息，傳統(tǒng)的互聯(lián)網(wǎng)信息處理技術(shù)沒(méi)有價(jià)值評(píng)估計(jì)算，其實(shí)質(zhì)是分類(lèi)和檢索［2～3］，即先將海量龐雜的信息分類(lèi)、有序化，然后通過(guò)語(yǔ)義擴(kuò)展后的關(guān)鍵詞匹配檢索出可能與主題有關(guān)的數(shù)據(jù)［4～6］。雖然分類(lèi)和檢索能通過(guò)計(jì)算機(jī)實(shí)現(xiàn)自動(dòng)的管理，但是反饋給用戶的仍然是原始的網(wǎng)頁(yè)或是文本數(shù)據(jù)，實(shí)際上未經(jīng)過(guò)對(duì)內(nèi)容的分析，分析工作仍然是由用戶完成。

傳統(tǒng)的互聯(lián)網(wǎng)信息處理技術(shù)不能實(shí)現(xiàn)計(jì)算機(jī)的自動(dòng)分析處理的一個(gè)重要原因，就是未能從語(yǔ)義層次實(shí)現(xiàn)對(duì)抓取的信息進(jìn)行文本價(jià)值的判斷，從而無(wú)法利用抓取的信息來(lái)反饋新的抓取任務(wù)［7］。鑒于傳統(tǒng)的數(shù)據(jù)挖掘輔助情報(bào)處理技術(shù)都缺乏文本信息價(jià)值評(píng)估的方法，論文對(duì)此進(jìn)行了補(bǔ)充和深入的研究，并根據(jù)人工評(píng)估的原則設(shè)計(jì)了一種基于語(yǔ)義的評(píng)估方法。

2 情報(bào)質(zhì)量評(píng)估的一般方法

在情報(bào)質(zhì)量評(píng)估方面，美國(guó)匹茲堡大學(xué)教授T.L.Saaty曾于上世紀(jì)提出層次分析法（Ana1ytic Hierarchy Process，AHP）［8］。這種方法具有一定局限。實(shí)際軍事情報(bào)工作與軍事情報(bào)在作戰(zhàn)指揮中的運(yùn)用需要專(zhuān)業(yè)人員的參與。如果所選的要素不合理，其含義混淆不清，或要素間的關(guān)系不正確，都會(huì)降低AHP法的結(jié)果質(zhì)量，甚至導(dǎo)致AHP法決策失敗［9］。

對(duì)于傳統(tǒng)的軍事情報(bào)，還有一些對(duì)情報(bào)價(jià)值進(jìn)行量化和度量的計(jì)算公式，如日本學(xué)者比野省三認(rèn)為，情報(bào)的價(jià)值可以描述為［10］

其中，E表示情報(bào)的價(jià)值，是個(gè)無(wú)量綱的數(shù)值；Pi是使用情報(bào)時(shí)發(fā)生的概率；Qi是不使用情報(bào)時(shí)發(fā)生的概率；Ji是使用情報(bào)時(shí)的收益或效果；Hi是不使用情報(bào)時(shí)的收益或效果。

式（1）因?yàn)閮蓚€(gè)主要原因而無(wú)法較好地應(yīng)用于軍事領(lǐng)域：1）這是一個(gè)“事后”公式，因此指揮員在決策前，無(wú)法確定Pi和Qi；2）戰(zhàn)爭(zhēng)是對(duì)抗性的活動(dòng)過(guò)程，具備極大的不確定性。因此，文獻(xiàn)［10］使用情報(bào)的平均信息量來(lái)度量情報(bào)價(jià)值，并且對(duì)于第二條相似的情報(bào)，應(yīng)考慮其驗(yàn)證價(jià)值，所以一條情報(bào)的價(jià)值應(yīng)為自身信息量與之前所有相似情報(bào)信息量的差值：

并且，考慮情報(bào)的驗(yàn)證價(jià)值后，即使后到的情報(bào)與之前的非常相似，使得ΔHn≈0，仍不能否定其價(jià)值，而應(yīng)該認(rèn)為它的價(jià)值更多的體現(xiàn)在對(duì)前面已經(jīng)擁有的情報(bào)的驗(yàn)證上。因此，情報(bào)的價(jià)值等于自身信息價(jià)值與驗(yàn)證價(jià)值的和：

式（5）中的Yn為第n條信息的驗(yàn)證價(jià)值。圖2顯示了對(duì)同一事件（目標(biāo)）先后產(chǎn)生的情報(bào)，其所起到的驗(yàn)證作用是不一樣的。

圖1中，驗(yàn)證指數(shù)指的是情報(bào)得到驗(yàn)證的程度，代表指揮員對(duì)情報(bào)的信心，即情報(bào)的主觀可信度。從圖1中可以看出，隨著情報(bào)數(shù)量的不斷增加，情報(bào)的驗(yàn)證指數(shù)也在不斷上升，但上升的趨勢(shì)逐漸變緩，最終接近但無(wú)法達(dá)到100%。

圖1 情報(bào)的驗(yàn)證曲線

傳統(tǒng)的情報(bào)價(jià)值評(píng)估模型都是針對(duì)輔助指揮員作戰(zhàn)決策的戰(zhàn)場(chǎng)情報(bào)，對(duì)于實(shí)現(xiàn)計(jì)算機(jī)自動(dòng)處理互聯(lián)網(wǎng)信息已經(jīng)不再適用?？紤]到信息與目標(biāo)的相關(guān)程度和與已掌握情報(bào)的相似程度是反映信息價(jià)值的兩大因素。論文采取了一種信息度量方法—基于本體的信息量?jī)r(jià)值評(píng)估算法。

3 基于本體的信息價(jià)值評(píng)估算法

基于本體的信息價(jià)值評(píng)估算法認(rèn)為存放情報(bào)素材的本地?cái)?shù)據(jù)庫(kù)是一個(gè)封閉的知識(shí)庫(kù)，抓取的文本的情報(bào)價(jià)值如何，主要取決于其與本地?cái)?shù)據(jù)庫(kù)中內(nèi)容的相似程度與相關(guān)程度，它與數(shù)據(jù)庫(kù)中的內(nèi)容越相近，情報(bào)價(jià)值越低，反之則很有可能是新的情報(bào)。

定義1 數(shù)據(jù)庫(kù)記錄：設(shè)情報(bào)數(shù)據(jù)庫(kù)為集合D＝｛I1，I2，…，In｝，其中Ii表示第i條記錄，Ii也是一個(gè)集合，Ii＝｛｛NE1，NE2，…，NEm｝，｛N1，N2，…，Nn｝，｛V1，V2，…，Vk｝｝，即命名實(shí)體、名詞和動(dòng)詞的集合。

定義2 最短路徑：設(shè)X、Y是本體結(jié)構(gòu)的任意兩個(gè)結(jié)點(diǎn)，Min（X，Y）表示從X到Y(jié)的最短路徑長(zhǎng)度，當(dāng)X、Y 不連通時(shí)，Min（X，Y）的值為∞。

定義3 相關(guān)度：在某一本體中，任意兩個(gè)概念間的相關(guān)度計(jì)算公式如式（6）［11］：

式（6）是關(guān)聯(lián)挖掘領(lǐng)域的通用公式，其中ω是一個(gè)可以調(diào)節(jié)的參數(shù)，即相關(guān)度為0.5時(shí)概念間的最短路徑，論文的實(shí)驗(yàn)取ω＝2。對(duì)于命名實(shí)體間的相關(guān)度Rel（Ix，Ii）的計(jì)算方法，可以用如圖2所示的本體結(jié)構(gòu)說(shuō)明。

圖2 一個(gè)關(guān)于飛機(jī)的本體

在圖2中，根據(jù)式（6）計(jì)算出的飛機(jī)與其他詞語(yǔ)間的相關(guān)度見(jiàn)表1。

表1 本體概念間的相關(guān)度

從表1中可以看出，飛機(jī)與747、波音、FA728間的相關(guān)度為0是不合理的，這是由于構(gòu)建的本體沒(méi)有描述它們之間的關(guān)系，但是若這些命名實(shí)體出現(xiàn)在同一文本中時(shí)，根據(jù)論文提出的價(jià)值評(píng)估算法（定義5），這種關(guān)系將作為新的情報(bào)被更新至本體庫(kù)，那么更新后的相關(guān)度計(jì)算值也將更新為0.8。

定義4 綜合關(guān)系：概念相似度表示兩詞語(yǔ)間的語(yǔ)義相似程度。目前關(guān)于相似度計(jì)算的研究較多，論文采用的是文獻(xiàn)［5］改進(jìn)的Philip Resnik算法［6］：

根據(jù)Resnik的思想，兩概念間的語(yǔ)義相似度等于它們間共有的信息含量，即最詳盡的共同抽象（Most Specific Common Abstraction，MSCA）父概念的信息量。式（7）中，S（c1，c2）表示包含子節(jié)點(diǎn)c1和c2的概念集。

為了評(píng)估待判斷信息Ix與本地情報(bào)數(shù)據(jù)庫(kù)中記錄Ii的相關(guān)程度和相似程度，即綜合關(guān)系，需對(duì)Ix中的重要權(quán)重詞語(yǔ)進(jìn)行計(jì)算。對(duì)于從Ix中提取的命名實(shí)體，其與數(shù)據(jù)庫(kù)中的記錄Ii中各命名實(shí)體間的最大相關(guān)度為Rel（Ix，Ii）；對(duì)于從Ix中提取的重要詞語(yǔ)（名詞或動(dòng)詞），其與數(shù)據(jù)庫(kù)中的記錄Ii中各詞語(yǔ)間的最大相似度為Sim（Ix，Ii），那么綜合關(guān)系Sim＿Rel（Ix，Ii）與 Sim（Ix，Ii）和 Rel（Ix，Ii）滿足：

若從Ix中提取的命名實(shí)體或重要詞語(yǔ)有多個(gè)，則分別計(jì)算后取算術(shù)平均值作為Rel（Ix，Ii）或Sim（Ix，Ii）。如果相似度與相關(guān)度均在［0，1］之間取值，且D表示本地情報(bào)數(shù)據(jù)庫(kù)的集合，那么Sim＿Rel（Ix，Ii）的取值滿足：

定義5 信息價(jià)值：待判斷的信息Ix的信息價(jià)值V滿足：

4 基于本體的信息價(jià)值評(píng)估算法實(shí)驗(yàn)

在某一時(shí)間段，實(shí)驗(yàn)嘗試盡量多地從國(guó)外著名社交網(wǎng)Twitter上抓取與關(guān)鍵詞“Obama”有關(guān)的推文（微博）［12］然后通過(guò)論文的價(jià)值評(píng)估方法，計(jì)算出抓取的推文的信息價(jià)值，用以引導(dǎo)進(jìn)一步的信息抓取，抓取與計(jì)算界面如圖3和圖4所示。抓取的推文的統(tǒng)計(jì)情況如表2所示。

圖3 抓取的Twitter信息數(shù)據(jù)庫(kù)界面

圖4 計(jì)算抓取的文本價(jià)值界面

表2 推文綜合關(guān)系的統(tǒng)計(jì)結(jié)果

這是對(duì)抓取的600條推文的綜合關(guān)系統(tǒng)計(jì)結(jié)果，綜合關(guān)系小于0.5的248條推文是情報(bào)主題數(shù)據(jù)庫(kù)中沒(méi)有記錄的關(guān)于“Obama”的情報(bào)（論文沒(méi)有考慮情報(bào)的真實(shí)性辨別問(wèn)題），大于或等于0.5的265條推文是與情報(bào)主題數(shù)據(jù)庫(kù)中語(yǔ)義相近的情報(bào)。

將綜合關(guān)系小于0.5的248條推文的命名實(shí)體加入情報(bào)課題數(shù)據(jù)庫(kù)的關(guān)鍵詞表，再抓取300條推文，計(jì)算出綜合關(guān)系的統(tǒng)計(jì)結(jié)果如表3所示。

表3 更新情報(bào)課題數(shù)據(jù)庫(kù)的關(guān)鍵詞后的統(tǒng)計(jì)結(jié)果

更新情報(bào)課題數(shù)據(jù)庫(kù)后的統(tǒng)計(jì)結(jié)果顯示，將抓取的推文經(jīng)過(guò)分析處理并反饋至情報(bào)課題后，再次引導(dǎo)Twitter爬蟲(chóng)抓取到的新內(nèi)容減少，而與本地推文記錄相似的內(nèi)容則有大幅度增加的趨勢(shì)，這是因?yàn)槊看巫ト《紩?huì)將新的內(nèi)容更新至情報(bào)課題數(shù)據(jù)庫(kù)，隨著本地?cái)?shù)據(jù)庫(kù)對(duì)目標(biāo)掌握的情報(bào)越來(lái)越多，之后抓取的信息多半是已有記錄的重復(fù)。傳統(tǒng)方法由于無(wú)法評(píng)估為有價(jià)值的信息，因此無(wú)法抓取這部分內(nèi)容。

5 結(jié)語(yǔ)

為了解決抓取的文本的價(jià)值評(píng)估問(wèn)題，實(shí)現(xiàn)計(jì)算機(jī)的自動(dòng)取舍與統(tǒng)計(jì)分析，提出了基于本體的信息價(jià)值評(píng)估算法，該方法同時(shí)考慮了待判斷信息的情報(bào)價(jià)值和驗(yàn)證價(jià)值以及包含的語(yǔ)義信息，通過(guò)對(duì)文本的信息價(jià)值計(jì)算，能夠自動(dòng)評(píng)估該信息的情報(bào)價(jià)值或是驗(yàn)證價(jià)值的大小，是下一步實(shí)現(xiàn)計(jì)算機(jī)自動(dòng)進(jìn)行分析處理、構(gòu)建情報(bào)網(wǎng)絡(luò)的基礎(chǔ)。

［1］王國(guó)順，孫四明，張峰.基于本體的個(gè)性化信息檢索技術(shù)研究［J］.計(jì)算機(jī)仿真，2013，30（7）：421－423.

［2］徐建民，朱松，陳富節(jié).術(shù)語(yǔ)相似度和術(shù)語(yǔ)相關(guān)度在檢索模型中的融合研究［J］.計(jì)算機(jī)應(yīng)用，2007，27（12）：3013－3015.

［3］劉宏哲，須德.基于本體的語(yǔ)義相似度和相關(guān)度計(jì)算研究綜述［J］.計(jì)算機(jī)科學(xué)，2012，39（2）：8－12.

［4］姚佳岷，楊思春.改進(jìn)的本體概念相似度計(jì)算模型［J］.計(jì)算機(jī)應(yīng)用，2013，33（6）：1579－1585.

［5］YOU Bin，LIU Xiaoran，LI Ning，et al.Using information content to evaluate semantic similarity on How－Net［C］／／2012International Conference on Computational Intelligence and Security（ICCIS 2012），Guangzhou China，2012：142－145.

［6］P.RESNIK.Information content to evaluate semantic similarity in a taxonomy［C］／／Proceedings of IJCAI，1995：448－453.

［7］林麗，薛方，任仲晟.一種改進(jìn)的基于《知網(wǎng)》的詞語(yǔ)相似度計(jì)算方法［J］.計(jì)算機(jī)應(yīng)用，2009，29（1）：217－220.

［8］習(xí)守成，龐聰，金開(kāi).基于AHP的對(duì)空警戒雷達(dá)作戰(zhàn)效能分析［J］.電子對(duì)抗，2013（3）：7－9.

［9］余力，岳振軍.軍事情報(bào)價(jià)值評(píng)估方法［J］.火力與指揮控制，2011，36（5）：173－176.

［10］劉姝麗，韓中庚，谷玉.軍事情報(bào)信息價(jià)值的度量方法［J］.軍事運(yùn)籌與系統(tǒng)工程，2006，20（4）：52－56.

［11］甘健侯，姜躍，夏幼明.本體方法及其應(yīng)用［M］.北京：科學(xué)出版社，2011：5－21.

［12］游彬，劉曉然，李寧，等.社交網(wǎng)絡(luò)Twitter的推文抽取技術(shù)研究［J］.艦船電子工程，2012，32（9）：113－115.