吳 蕾,鄧甡屾,柳少軍,李志強(qiáng)

(1.國(guó)防大學(xué)聯(lián)合作戰(zhàn)學(xué)院,北京 100091;2.陸軍航空兵研究所,北京 101121;3.陸軍工程大學(xué),江蘇 南京 210001)

大型計(jì)算機(jī)模擬對(duì)抗演習(xí)是和平時(shí)期訓(xùn)練指揮員作戰(zhàn)指揮能力的主要手段,通常涵蓋陸、海、空、天、電、網(wǎng)多維戰(zhàn)場(chǎng)空間,具有模擬層次高、仿真規(guī)模大、覆蓋范圍廣、演習(xí)要素全、描述實(shí)體多、行動(dòng)交互復(fù)雜等特點(diǎn)。

對(duì)抗演習(xí)過(guò)程中,人與計(jì)算機(jī)模擬系統(tǒng)交互作用產(chǎn)生海量的仿真信息,這些信息通常包括作戰(zhàn)計(jì)劃、行動(dòng)指令、導(dǎo)調(diào)文書(shū)等內(nèi)容,涵蓋結(jié)構(gòu)化、半結(jié)構(gòu)化以及非結(jié)構(gòu)化多種形式,其多樣性和復(fù)雜性給指揮員帶來(lái)了巨大的認(rèn)知壓力。因此,迫切需要一種方法,幫助指揮員從這些海量信息中快速、準(zhǔn)確地篩選出較為關(guān)鍵的事件,為指揮決策或者檢驗(yàn)評(píng)估提供支撐。

目前,國(guó)內(nèi)外針對(duì)事件提取研究主要集中在元事件提取方面,主題事件提取也逐漸引起關(guān)注,但事件提取方法在軍事領(lǐng)域應(yīng)用尚不成熟。本文對(duì)事件的概念、事件提取的發(fā)展歷程進(jìn)行了分析,歸納梳理了當(dāng)前常用的事件提取方法以及各自的特點(diǎn)和局限,并結(jié)合事件提取在軍事領(lǐng)域研究現(xiàn)狀和技術(shù)發(fā)展,指出了其在軍事領(lǐng)域未來(lái)的應(yīng)用趨勢(shì),為進(jìn)一步研究相關(guān)領(lǐng)域事件提取提供參考。

1 事件提取相關(guān)概念及發(fā)展歷程

1.1 事件和事件提取

事件(Event)的概念來(lái)源于認(rèn)知科學(xué),相關(guān)研究者認(rèn)為人類的記憶由事件以及事件之間的關(guān)系構(gòu)成。隨后,事件的概念逐漸發(fā)展到其他領(lǐng)域。

在信息檢索與信息提取領(lǐng)域,事件一般以句子為單位,指在特定時(shí)間段和特定區(qū)域內(nèi)發(fā)生的事情,涉及角色的參與,并且由行動(dòng)組成。Allan等認(rèn)為事件是“細(xì)化了的用于檢索的主題”[1],Yang等將事件定義為“在一個(gè)特定時(shí)間、特定地點(diǎn)發(fā)生的事情”[2]。

在自動(dòng)文本摘要領(lǐng)域,事件是比參與者、時(shí)間和地點(diǎn)等概念具有更大粒度的語(yǔ)義單元,具有動(dòng)態(tài)性和完整意義。楊竣輝[3]將事件作為最基本的語(yǔ)義單元,通過(guò)研究事件及事件間的關(guān)系來(lái)表示文本的語(yǔ)義。王偉玉等[4]提出了一種事件粒度的話題表示方法,認(rèn)為通過(guò)融合事件描述的共性信息,可以生成事件粒度的話題的簡(jiǎn)短表示。

事件提取方法主要研究如何從描述事件信息的數(shù)據(jù)或語(yǔ)句中提取事件信息并以結(jié)構(gòu)化的形式呈現(xiàn)出來(lái),包括事件時(shí)間、事件地點(diǎn)、參與者以及動(dòng)作或狀態(tài)的變化等事件要素。

1.2 事件提取發(fā)展歷程

事件提取方法取得巨大進(jìn)步,與測(cè)評(píng)會(huì)議MUC、TDT及ACE的推動(dòng)密不可分,這些測(cè)評(píng)會(huì)議雖然研究的側(cè)重點(diǎn)各有不同,但是它們的召開(kāi)在很大程度上促進(jìn)了事件提取方法的快速發(fā)展。

事件提取研究來(lái)源于20世紀(jì)80年代美國(guó)國(guó)防部高級(jí)研究計(jì)劃局(Defense Advanced Research Projects Agency,DARPA)主辦的消息理解會(huì)議(Message Understanding Conference,MUC)。隨著信息化戰(zhàn)爭(zhēng)的到來(lái),軍事數(shù)據(jù)數(shù)量巨大并且飛速增加,從紛繁復(fù)雜的數(shù)據(jù)中提取關(guān)鍵信息就顯得極為重要。因此,會(huì)議最早的語(yǔ)料來(lái)源是美軍的作戰(zhàn)文書(shū),任務(wù)是從這些作戰(zhàn)文書(shū)中抽取相關(guān)事件,填入預(yù)先設(shè)置的模板。這一系列會(huì)議的召開(kāi)標(biāo)志著信息提取開(kāi)始成為自然語(yǔ)言處理領(lǐng)域的一個(gè)重要分支。

另一個(gè)評(píng)測(cè)會(huì)議——話題識(shí)別與跟蹤(Topic Detection and Tracking,TDT)會(huì)議也是由DARPA主辦的,它的主要任務(wù)是對(duì)面向新聞信息事件識(shí)別和提取的技術(shù)進(jìn)行研究和評(píng)測(cè),目的是通過(guò)對(duì)文本的劃分、對(duì)新聞信息流的監(jiān)控以及對(duì)同一話題下的分散報(bào)道的有效組織,發(fā)現(xiàn)特定領(lǐng)域新事件的報(bào)道。會(huì)議初期,學(xué)者們指出一個(gè)話題就是一個(gè)特定事件,隨著會(huì)議的召開(kāi),話題逐漸發(fā)展為相互之間有關(guān)系的多個(gè)事件的組合。

由美國(guó)國(guó)家標(biāo)準(zhǔn)與技術(shù)研究所(National Institute of Standards and Technology，NIST)組織的自動(dòng)內(nèi)容抽取(Automatic Content Extraction，ACE)國(guó)際測(cè)評(píng)會(huì)議進(jìn)一步推動(dòng)了事件提取研究的發(fā)展，這是事件提取領(lǐng)域非常重要的系列會(huì)議，主要研究如何從新聞?wù)Z料庫(kù)中自動(dòng)抽取實(shí)體、關(guān)系、事件等內(nèi)容。與MUC會(huì)議相比，ACE會(huì)議不針對(duì)具體的領(lǐng)域或場(chǎng)景，也不預(yù)先設(shè)置模板，更強(qiáng)調(diào)對(duì)文本中事件要素的識(shí)別與描述。

2 事件提取的分類

元事件表示一個(gè)動(dòng)作的發(fā)生或狀態(tài)的變化,它是主題事件的基本組成單位。目前國(guó)內(nèi)外學(xué)者對(duì)于元事件提取的研究已經(jīng)比較成熟,對(duì)于主題事件提取的研究也越來(lái)越重視。

2.1 元事件提取

隨著事件提取技術(shù)的發(fā)展,元事件提取先后出現(xiàn)三種主要方法。

最早出現(xiàn)的是基于模式匹配的事件提取方法,其在提取事件時(shí)用模式進(jìn)行約束,從而找出符合約束條件的事件,具體提取流程如圖1所示。國(guó)外很早就開(kāi)展了這方面的研究工作,并陸續(xù)開(kāi)發(fā)了PALKA、TIMES、AutoSlog-TS等基于模式匹配的事件提取系統(tǒng)。國(guó)內(nèi)事件提取研究開(kāi)展較晚,研究者們陸續(xù)定義了一些事件的模式并提出了相關(guān)模式學(xué)習(xí)方法，這些方法主要是利用與領(lǐng)域無(wú)關(guān)的知識(shí)庫(kù)進(jìn)行模式學(xué)習(xí),進(jìn)而實(shí)現(xiàn)事件提取。

圖1 基于模式匹配的元事件提取流程

將傳統(tǒng)機(jī)器學(xué)習(xí)方法應(yīng)用到事件提取中主要是通過(guò)特征選擇,訓(xùn)練出分類效果較好的分類器,進(jìn)而實(shí)現(xiàn)事件的提取。用于事件提取的傳統(tǒng)機(jī)器學(xué)習(xí)方法主要有支持向量機(jī)(Support Vector Machine,SVM)模型、最大熵(Maximum Entropy,ME)模型、隱馬爾可夫模型(Hidden Markov Model,HMM)、條件隨機(jī)場(chǎng)(Conditional Random Fields,CRF)模型等方法,它們各有其局限性,比如，SVM模型難以在大規(guī)模訓(xùn)練樣本上進(jìn)行,HMM需要嚴(yán)格的獨(dú)立性假設(shè)作為前提,ME模型迭代過(guò)程計(jì)算量非常大,而CRF模型較復(fù)雜且訓(xùn)練代價(jià)較高。

隨著人工智能技術(shù)的飛速發(fā)展,以循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)為代表的深度學(xué)習(xí)方法逐漸在事件提取中快速應(yīng)用和發(fā)展。Nguyen[5]使用RNN來(lái)進(jìn)行事件提取的研究,在神經(jīng)網(wǎng)絡(luò)輸入層除了使用傳統(tǒng)的詞向量之外,還根據(jù)文本內(nèi)容增加了額外的特征向量,因此,能夠更好地在局部文本中提取事件。Chen等[6]提出動(dòng)態(tài)多池化卷積神經(jīng)網(wǎng)絡(luò)(Dynamic Multi-Pooling Convolutional Neural Networks,DMCNN)事件提取模型,在傳統(tǒng)CNN模型基礎(chǔ)上增加了動(dòng)態(tài)多池機(jī)制,從而提升了事件提取的效果。

基于模式匹配的事件提取由于需要進(jìn)行具體模式的構(gòu)建,因此,方法可移植性較差,且模式構(gòu)建通常需要領(lǐng)域相關(guān)專家的參與。與模式匹配方法相比,基于機(jī)器學(xué)習(xí)的方法需要的人工干預(yù)相對(duì)較少,但也需要借助工具選取與任務(wù)相關(guān)的特征,因而特征選取的好壞與事件提取的效果直接關(guān)聯(lián)。而基于深度學(xué)習(xí)的事件提取方法采用的是端到端的學(xué)習(xí),不需要借助外部的自然語(yǔ)言處理工具設(shè)計(jì)特征,但其對(duì)語(yǔ)料庫(kù)的質(zhì)量和數(shù)量要求很高。

2.2 主題事件提取

單個(gè)元事件通常無(wú)法清楚描述整個(gè)事件,而主題事件作為元事件的有機(jī)組合,能更好地表現(xiàn)主題,目前可分為基于事件框架和基于本體兩種方式。

基于框架的主題事件提取通過(guò)構(gòu)建事件框架來(lái)提取事件,并根據(jù)一定規(guī)則將事件融合在一起。許榮華等[7]通過(guò)定義事件融合框架(Topic Event Fusion Framework,TEEE)來(lái)完成主題事件提取,如圖2所示,一般通過(guò)合并與同一主題相關(guān)的所有元事件以及通過(guò)計(jì)算元事件與主題之間的相關(guān)性來(lái)呈現(xiàn)主題事件。趙文娟等[8]基于主題事件框架,構(gòu)建網(wǎng)絡(luò)事件提取流程,對(duì)從網(wǎng)絡(luò)文檔中提取、合并與主題事件相關(guān)的各種信息的技術(shù)和方法進(jìn)行了描述與驗(yàn)證。

圖2 主題事件融合框架

基于本體的主題事件提取開(kāi)始受到越來(lái)越多的關(guān)注。本體是概念及概念間關(guān)系的一種表示方法,可以被看作一個(gè)描述某領(lǐng)域知識(shí)的通用概念模型,因此,非常適合描述主題型事件。張一帆等[9]提出了事件五元組表示方式和事件本體模型,該模型是以事件類為基本單位的知識(shí)表示模型,包含了時(shí)間、地點(diǎn)、動(dòng)作、參與者、結(jié)果等事件要素,能夠更全面、準(zhǔn)確地描述突發(fā)事件,更好地展示主題。吳奇[10]將本體技術(shù)應(yīng)用到事件提取中,利用對(duì)領(lǐng)域知識(shí)的描述進(jìn)行事件提取,指出可以利用本體中的概念和關(guān)系,結(jié)合本體中事件結(jié)構(gòu)的特點(diǎn),根據(jù)不同的算法和規(guī)則實(shí)現(xiàn)主題事件提取。

3 事件提取方法在軍事領(lǐng)域的研究現(xiàn)狀和應(yīng)用分析

3.1 事件提取方法在軍事領(lǐng)域的研究現(xiàn)狀

事件提取方法最早起源于美軍對(duì)作戰(zhàn)文書(shū)進(jìn)行信息提取的需求,后來(lái)逐漸發(fā)展到金融、新聞、法律、醫(yī)學(xué)等領(lǐng)域,并取得了極大的進(jìn)步。國(guó)內(nèi)近些年也開(kāi)始注重對(duì)事件提取的研究,但目前,相比其他領(lǐng)域來(lái)說(shuō),軍事領(lǐng)域事件提取相關(guān)研究相對(duì)較少,僅在軍事實(shí)體事件提取、戰(zhàn)場(chǎng)元素建模、作戰(zhàn)文書(shū)事件提取等方面有一些研究。

沈大川等人[11]提出了利用本體和規(guī)則推理捕獲戰(zhàn)場(chǎng)“關(guān)鍵事件”的方法,構(gòu)建了戰(zhàn)場(chǎng)態(tài)勢(shì)核心本體以及戰(zhàn)場(chǎng)領(lǐng)域本體,提出戰(zhàn)場(chǎng)數(shù)據(jù)是以事件的形式傳遞的,戰(zhàn)場(chǎng)“關(guān)鍵事件”提取規(guī)則建立在戰(zhàn)場(chǎng)領(lǐng)域本體的基礎(chǔ)之上,通過(guò)對(duì)戰(zhàn)場(chǎng)元素的概念建模以及一定條件的約束,能反映戰(zhàn)場(chǎng)的要素及要素間的基本關(guān)系,結(jié)合一定的知識(shí)和規(guī)則可將這些要素和關(guān)系聚合成“關(guān)鍵事件”。

宋仁亮等[12]提出利用事件描述模型提取戰(zhàn)場(chǎng)關(guān)鍵事件的方法,他分析了戰(zhàn)場(chǎng)關(guān)鍵事件的主要類型和相關(guān)特征,建立了關(guān)于戰(zhàn)場(chǎng)關(guān)鍵事件的描述模型,通過(guò)對(duì)作戰(zhàn)目標(biāo)和戰(zhàn)場(chǎng)區(qū)域之間的關(guān)系、作戰(zhàn)目標(biāo)與戰(zhàn)場(chǎng)分界線之間的關(guān)系、戰(zhàn)場(chǎng)實(shí)體屬性的變化、作戰(zhàn)力量的變化進(jìn)行分析和計(jì)算,提取戰(zhàn)場(chǎng)關(guān)鍵事件。

付雨萌等[13]以某海軍艦隊(duì)的活動(dòng)事件為例,對(duì)相關(guān)軍事實(shí)體進(jìn)行了分類,在此基礎(chǔ)上,結(jié)合軍事活動(dòng)的特點(diǎn),分別對(duì)活動(dòng)事件進(jìn)行結(jié)構(gòu)化、形式化描述,實(shí)現(xiàn)軍事活動(dòng)事件本體的構(gòu)建,從而為其后續(xù)進(jìn)行軍事活動(dòng)相關(guān)領(lǐng)域知識(shí)庫(kù)及知識(shí)圖譜的構(gòu)建打下基礎(chǔ)。

游飛[14]對(duì)軍事裝備實(shí)體事件進(jìn)行分類,并運(yùn)用雙向長(zhǎng)短時(shí)記憶(Bi-directional Long Short-Term Memory,Bi-LSTM)網(wǎng)絡(luò)模型對(duì)事件觸發(fā)詞進(jìn)行識(shí)別,通過(guò)在模型中加入負(fù)采樣訓(xùn)練得到的特征向量,并引入句法分析和雙向多層LSTM,從而提升LSTM網(wǎng)絡(luò)模型的性能,取得了良好的效果,反映出事件提取在軍事領(lǐng)域的研究?jī)r(jià)值。

王學(xué)峰等[15]針對(duì)作戰(zhàn)文書(shū)中出現(xiàn)的新力量、新編號(hào)和新戰(zhàn)法難以通過(guò)簡(jiǎn)單的模板構(gòu)建提取事件的實(shí)際問(wèn)題,提出利用深度學(xué)習(xí)方法從作戰(zhàn)文書(shū)中獲取關(guān)鍵事件。Bi-LSTM網(wǎng)絡(luò)對(duì)較長(zhǎng)句子上下文能較好記憶,動(dòng)態(tài)詞向量(Embedding from Language Models of Character,ELMo)對(duì)漢字語(yǔ)義能多重表示,CRF模型對(duì)標(biāo)注規(guī)則能有效學(xué)習(xí),基于這些特點(diǎn),構(gòu)建了結(jié)合這三種方法的事件提取模型,并在演習(xí)導(dǎo)調(diào)文書(shū)語(yǔ)料集上進(jìn)行了實(shí)驗(yàn),取得了較好的事件提取效果。

3.2 軍事知識(shí)圖譜的應(yīng)用現(xiàn)狀

軍事知識(shí)圖譜中包含的事件知識(shí)隱含于軍事大數(shù)據(jù)中,需要通過(guò)事件提取技術(shù)從不斷增加的海量軍事數(shù)據(jù)中獲取關(guān)鍵事件知識(shí)才能實(shí)現(xiàn)數(shù)據(jù)的有效利用。目前,軍事領(lǐng)域已經(jīng)逐漸開(kāi)展相關(guān)知識(shí)圖譜構(gòu)建工作,為軍事人員快速準(zhǔn)確獲取并共享軍事相關(guān)知識(shí)提供支撐。

邢萌等[16]面向部隊(duì)平時(shí)及戰(zhàn)時(shí)的應(yīng)用場(chǎng)景,針對(duì)軍事領(lǐng)域的特點(diǎn),提出軍事領(lǐng)域知識(shí)圖譜及應(yīng)用技術(shù)架構(gòu),描述了軍事領(lǐng)域知識(shí)圖譜構(gòu)建環(huán)節(jié)的難點(diǎn),對(duì)基于本體的知識(shí)表示、基于機(jī)器學(xué)習(xí)的知識(shí)提取等關(guān)鍵技術(shù)進(jìn)行研究,為開(kāi)展軍事領(lǐng)域知識(shí)圖譜的應(yīng)用提供支撐手段。

吳云超等[17]為提高仿真推演系統(tǒng)的效率,探討了領(lǐng)域知識(shí)圖譜在仿真實(shí)體動(dòng)態(tài)生成中的應(yīng)用。通過(guò)提出面向仿真推演的領(lǐng)域知識(shí)圖譜構(gòu)架及領(lǐng)域知識(shí)圖譜構(gòu)建方法,建立基于軍事專家經(jīng)驗(yàn)和知識(shí)的領(lǐng)域知識(shí)體系,實(shí)現(xiàn)從實(shí)時(shí)戰(zhàn)場(chǎng)數(shù)據(jù)、作戰(zhàn)條例、歷史規(guī)律等結(jié)構(gòu)多樣的數(shù)據(jù)中提取相關(guān)的實(shí)體、關(guān)系、屬性等事件要素。

車(chē)金立等[18]將知識(shí)圖譜應(yīng)用于裝備維修保障知識(shí)庫(kù)的構(gòu)建。在對(duì)裝備維修保障知識(shí)圖譜的構(gòu)建流程設(shè)計(jì)的基礎(chǔ)上,利用裝備維修保障數(shù)據(jù)進(jìn)行關(guān)鍵信息的提取。知識(shí)圖譜在裝備維修保障領(lǐng)域的應(yīng)用目的是解決裝備維修保障信息化過(guò)程中出現(xiàn)的信息過(guò)載、查詢信息效率低下等問(wèn)題。

張進(jìn)等[19]針對(duì)傳統(tǒng)武器系統(tǒng)故障診斷方法的一些弊端,在統(tǒng)計(jì)岸炮武器系統(tǒng)各類常見(jiàn)故障的基礎(chǔ)上,利用知識(shí)圖譜構(gòu)建領(lǐng)域知識(shí)庫(kù),并根據(jù)武器系統(tǒng)常見(jiàn)故障設(shè)定多重任務(wù)場(chǎng)景,然后基于任務(wù)驅(qū)動(dòng)智能客服多輪對(duì)話,實(shí)現(xiàn)武器系統(tǒng)的故障診斷和排除。

陳辭等[20]從復(fù)雜關(guān)系語(yǔ)義特征出發(fā),研究如何利用現(xiàn)有的軍事知識(shí)圖譜,對(duì)新增的軍事知識(shí)進(jìn)行語(yǔ)義融合和組織,深入研究軍事語(yǔ)義信息提取方法以及基于在線和學(xué)習(xí)的信息提取機(jī)制,構(gòu)建基于關(guān)聯(lián)語(yǔ)義鏈網(wǎng)絡(luò)的軍事知識(shí)圖譜演化研究方法和技術(shù)構(gòu)架。

王保魁等[21-22]基于知識(shí)圖譜技術(shù),采用態(tài)勢(shì)要素解析方法與形式化態(tài)勢(shì)知識(shí)描述方法相結(jié)合的方式,對(duì)想定場(chǎng)景初始態(tài)勢(shì)中實(shí)體及其關(guān)系進(jìn)行分析和知識(shí)表示學(xué)習(xí),并提出基于圖嵌入的兵棋聯(lián)合作戰(zhàn)態(tài)勢(shì)實(shí)體知識(shí)表示方法,為大規(guī)模聯(lián)合作戰(zhàn)態(tài)勢(shì)知識(shí)的獲取、融合、推理奠定基礎(chǔ)。

胡志磊等[23]圍繞以事件為核心的事件圖譜,對(duì)其構(gòu)建與應(yīng)用的相關(guān)模型和方法進(jìn)行總結(jié)。對(duì)其中包含的事件提取、事件關(guān)系推斷以及事件預(yù)測(cè)等技術(shù)進(jìn)行分析,并給出事件圖譜具體的應(yīng)用場(chǎng)景。

3.3 面向仿真推演的事件提取方法應(yīng)用分析

模擬對(duì)抗演習(xí)時(shí),推演數(shù)據(jù)急速增長(zhǎng),如何從這些海量、低密度、結(jié)構(gòu)多樣的信息中提取出關(guān)鍵事件逐漸受到重視。通過(guò)對(duì)推演數(shù)據(jù)進(jìn)行事件提取,并以軍事知識(shí)圖譜、作戰(zhàn)過(guò)程描述、作戰(zhàn)行動(dòng)脈絡(luò)等形式展現(xiàn),可以用來(lái)支持信息檢索、自動(dòng)問(wèn)答、情報(bào)分析、知識(shí)推薦等活動(dòng),輔助導(dǎo)演部更好地對(duì)演習(xí)進(jìn)行復(fù)盤(pán)評(píng)估,實(shí)施總結(jié)講評(píng),從而讓指揮員更清楚地了解作戰(zhàn)要素及演習(xí)過(guò)程,更有效地總結(jié)經(jīng)驗(yàn)教訓(xùn)或者實(shí)施指揮決策,具體應(yīng)用框架如圖3所示。

圖3 面向輔助演習(xí)講評(píng)的事件提取方法應(yīng)用框架

1)作戰(zhàn)過(guò)程分析與描述

如何從海量的計(jì)算機(jī)演習(xí)數(shù)據(jù)中篩選出影響演習(xí)進(jìn)程或者作戰(zhàn)結(jié)果的關(guān)鍵事件,對(duì)于分析評(píng)估整個(gè)作戰(zhàn)過(guò)程至關(guān)重要。演習(xí)過(guò)程中,指揮員通常會(huì)根據(jù)作戰(zhàn)任務(wù)和態(tài)勢(shì)變化下達(dá)大量演習(xí)指令,形成眾多的作戰(zhàn)行動(dòng),產(chǎn)生不同的行動(dòng)效果。這些作戰(zhàn)行動(dòng)中往往會(huì)包含一些影響戰(zhàn)役進(jìn)程或戰(zhàn)略全局的重要事件,通過(guò)對(duì)這些重要事件進(jìn)行提取和梳理不僅有助于描述作戰(zhàn)過(guò)程,幫助指揮員聚焦關(guān)鍵行動(dòng),減少冗余信息的干擾,甚至可以進(jìn)一步探尋聯(lián)合作戰(zhàn)中一些隱藏的規(guī)律。

2)軍事知識(shí)圖譜的構(gòu)建

知識(shí)圖譜(Knowledge Graph)是一種描述實(shí)體及其關(guān)系的語(yǔ)義網(wǎng)絡(luò),它提供對(duì)領(lǐng)域知識(shí)的可視化表示方法。軍事知識(shí)圖譜是各類作戰(zhàn)實(shí)體及其關(guān)系的可視化呈現(xiàn),通過(guò)構(gòu)建軍事知識(shí)圖譜,將散亂、無(wú)序的戰(zhàn)場(chǎng)數(shù)據(jù)整合在一起,可以提供作戰(zhàn)要素、行動(dòng)、效果以及關(guān)系等的查詢與相關(guān)知識(shí)的推薦,為軍事數(shù)據(jù)智能化分析提供有力支撐。事件提取作為軍事知識(shí)圖譜構(gòu)建的基本方法之一,將對(duì)運(yùn)用軍事知識(shí)圖譜研究作戰(zhàn)過(guò)程中的事件及其關(guān)系建模等問(wèn)題提供強(qiáng)有力的手段。

3)作戰(zhàn)行動(dòng)脈絡(luò)分析

元事件粒度相對(duì)較小,通過(guò)其看問(wèn)題往往比較片面,僅僅對(duì)其進(jìn)行信息提取無(wú)法令人清晰地認(rèn)識(shí)整個(gè)事件過(guò)程。未來(lái)軍事領(lǐng)域中,事件提取方法重要的一個(gè)應(yīng)用趨勢(shì)就是作戰(zhàn)行動(dòng)脈絡(luò)分析。作戰(zhàn)行動(dòng)脈絡(luò)作為一種特定的事件脈絡(luò),它通常是演習(xí)中指揮員關(guān)注的重點(diǎn)。面向演習(xí)講評(píng)或者指揮決策需求時(shí),導(dǎo)演部和指揮員更需要通過(guò)獲取行動(dòng)事件發(fā)生的原因、經(jīng)過(guò)和結(jié)果等信息以及行動(dòng)之間的層次關(guān)系、因果關(guān)系等來(lái)了解整個(gè)戰(zhàn)役行動(dòng)的脈絡(luò),掌握整個(gè)戰(zhàn)役的發(fā)展過(guò)程,從而通過(guò)對(duì)多個(gè)行動(dòng)及其之間關(guān)系的有序集合,完整、清晰地呈現(xiàn)整個(gè)戰(zhàn)役的發(fā)展過(guò)程,真實(shí)再現(xiàn)重要作戰(zhàn)行動(dòng)的來(lái)龍去脈。

3.4 事件提取方法在軍事領(lǐng)域的應(yīng)用趨勢(shì)

利用事件提取方法對(duì)海量異構(gòu)的軍事數(shù)據(jù)進(jìn)行分析與挖掘,能夠大幅提高軍事大數(shù)據(jù)的綜合利用能力。隨著人工智能技術(shù)的發(fā)展,事件提取方法在軍事領(lǐng)域中的應(yīng)用將呈現(xiàn)以下趨勢(shì)。

1)關(guān)注事件溯源以及趨勢(shì)研判

現(xiàn)代戰(zhàn)爭(zhēng),軍事行動(dòng)多樣,作戰(zhàn)樣式復(fù)雜,涉及要素眾多,如何從多源、無(wú)序、復(fù)雜的海量數(shù)據(jù)中發(fā)現(xiàn)關(guān)鍵軍事事件并對(duì)其來(lái)源以及意圖趨勢(shì)進(jìn)行分析研判,對(duì)輔助指揮員準(zhǔn)確判斷敵情、正確指揮決策極為重要。事件提取方法作為情報(bào)分析與態(tài)勢(shì)研判的基礎(chǔ),能夠?yàn)橹笓]員從雜亂無(wú)章的數(shù)據(jù)中發(fā)現(xiàn)關(guān)鍵軍事事件,并進(jìn)行因果關(guān)系研判提供基本手段。通過(guò)對(duì)事件溯源和趨勢(shì)分析,對(duì)弱關(guān)聯(lián)事件進(jìn)行數(shù)據(jù)挖掘,可以將軍事行動(dòng)的整個(gè)過(guò)程以及行動(dòng)間的關(guān)系清晰地展現(xiàn)出來(lái),為指揮員決策提供依據(jù)。

2)聚焦特定任務(wù)知識(shí)圖譜

目前,軍事知識(shí)圖譜已發(fā)展得較為成熟,但其建設(shè)與應(yīng)用仍存在較大局限。隨著軍事智能化要求的提高,軍事知識(shí)圖譜將進(jìn)一步細(xì)化到各分支的業(yè)務(wù)領(lǐng)域。今后,面向特定作戰(zhàn)任務(wù)的知識(shí)圖譜以及側(cè)重于復(fù)雜事件及其關(guān)系建模的知識(shí)圖譜,將越來(lái)越受到關(guān)注。因此,針對(duì)不同的軍事任務(wù),需要從實(shí)際應(yīng)用角度出發(fā),考慮具體的應(yīng)用背景和知識(shí)框架,界定出合理的知識(shí)粒度,才能更好地實(shí)現(xiàn)面向特定任務(wù)知識(shí)圖譜的事件提取。

3)重視面向事件的語(yǔ)料庫(kù)構(gòu)建

目前,高質(zhì)量數(shù)據(jù)集缺失或不足問(wèn)題,使事件提取在軍事領(lǐng)域的應(yīng)用仍有較大局限。尤其深度學(xué)習(xí)方法對(duì)數(shù)據(jù)質(zhì)量和數(shù)量要求很高,需要大量不同實(shí)例的數(shù)據(jù)集作為訓(xùn)練樣本數(shù)據(jù),數(shù)據(jù)量達(dá)不到一定規(guī)模將難以開(kāi)展基于深度學(xué)習(xí)的事件提取研究。而當(dāng)前軍事領(lǐng)域面向事件提取的語(yǔ)料庫(kù)并不豐富,成為制約軍事領(lǐng)域事件提取方法研究的瓶頸。因此,未來(lái)將重視軍事領(lǐng)域語(yǔ)料庫(kù)的擴(kuò)建,解決相關(guān)領(lǐng)域語(yǔ)料缺乏的問(wèn)題。

4 結(jié)束語(yǔ)

本文梳理了事件的概念、事件提取的發(fā)展歷程,對(duì)元事件和主題事件的提取方法分別進(jìn)行歸納和分析,并結(jié)合事件提取在軍事領(lǐng)域研究現(xiàn)狀和技術(shù)發(fā)展,指出了事件提取方法在軍事領(lǐng)域今后可能的應(yīng)用趨勢(shì),為下一步事件提取工作的開(kāi)展和研究提供參考。