0 引　言

无人艇自主决策技术依赖先进的信息融合技术来获取船舶的状态信息以及计算机对状态数据的分析处理能力，使得无人艇可以快速、准确地应对复杂环境，提高任务的完成质量和效率。由于无人艇自主决策时面临环境场景复杂以及多源数据难以整合形成有效的决策支撑等问题，因此研究无人艇自主决策场景下的异构知识表达与推理技术具有重要价值。

目前，无人艇自主决策领域的推理方法主要基于规则驱动以及数据驱动。基于规则驱动的方法包括专家系统^[1]、问答系统^[2]。基于数据驱动的方法又可以划分为基于概率逻辑的方法以及基于深度学习的方法。前者根据预定义的规则生成概率逻辑下的决策计划，比如D'ANIELLO等^[3]使用模糊推理建立一套if-then 规则的知识库，不需要专家给出明确定义和解释用来做决定的规则，只需要给出示例；Li等^[4]构建多实体贝叶斯网络对水下机器人决策信息进行推理。后者则是把推理任务抽象为分类等逻辑任务，通过构建神经网络模型得到不同情况下的决策方案，Gao等^[5]使用双向长短期记忆网络来将无人艇数据进行训练得到避碰策略；Chen等^[6]使用卷积神经网络实现了无人车的辅助驾驶决策系统。基于规则驱动的方法依赖专家经验，降低了决策的实用性，基于数据驱动的方法缺乏对复杂场景以及多源数据的统一描述。

知识图谱^[7]技术的发展，使得复杂场景的描述更加准确，从数据中获取知识的表达能力得到较大提高，很多领域知识应用可以得以实现。Zhang等^[8]构建了海上货物运输的知识图谱来实现专业化的自动检索功能；Chen等^[9]提出了一种针对无人系统的知识图谱构建框架，并构建了高质量的知识图谱来实现评估。然而，目前大多数领域知识图谱的构建只是用于简单的搜索问答应用，忽略了决策信息的挖掘。无人艇自主决策涉及诸多复杂场景和海量的多源数据，决策信息量巨大，较难获取。知识图谱技术为无人艇自主决策信息的挖掘提供了系统的方法，主要包括无人艇自主决策领域多源知识表示与知识推理技术等。

针对无人艇自主决策领域知识的表示问题以及知识推理问题，本文提出一种无人艇自主决策领域知识图谱的建模框架，该框架将无人艇自主决策领域要素排列成多个层次，为知识推理提供统一的语义基础，在此基础上设计一种融合元路径信息的图神经网络技术实现知识推理，可以有效地解决无人艇自主决策领域知识图谱稀疏性和不平衡节点的问题。在构建的无人艇自主决策领域知识图谱中，采用提出的嵌入模型进行链路预测实验，取得了较好的效果，可以支撑下游的推理任务。

1 无人艇自主决策领域知识图谱建模框架

无人艇在进行任务场景下的决策推理时，需要考虑复杂多变的态势特征，为了提高系统对态势信息的理解和分析能力，可以使用知识图谱对无人艇自主决策领域内的多源异构数据进行编排，用于后续的决策推理目的（简称为USV-KG）。USV-KG用来描述无人艇决策过程中涉及到的方方面面，包括但不局限于行为主体、决策目标、设备数据、资源条件。表1和表2列举了领域知识图谱中节点和边的类型。

目前，大多数研究者通常采用自顶向下^[9]或者自底向上^[10]的单一构建方式构建图谱，无法保证获取数据的质量和数量。此外领域知识来源于多源异构数据，因此需要分别设计知识抽取和知识融合技术。本文综合考虑当前先进的领域图谱构建技术，针对无人艇自主决策这一场景，提出USV-KG的构建思路，主要包含4个阶段，如图1所示。

首先，设计知识本体框架，即知识图谱的模式层。该框架是一种分层的无人艇本体推理框架，包括设备层、数据层、感知层。为了更好地理解这种分层框架，以图2所示为例，设备层包含了无人艇自身属性以及重要功能，感知层包含了无人艇决策涉及到的目标和环境信息，而数据层则处于两层之间，描述了无人艇自身以及感知内容的数据信息。这种分层模式具有可扩展性强以及层级推理的优势。

其次，设计知识抽取模块。无人艇领域内的数据通常是异构的，涉及到文本、日志、音频、传感器数据等。在文本数据方面，使用命名实体识别^[11]等技术来提取USV-KG所需要的三元组，传感器数据属于数值型数据，可以采用映射框架提取^[12]，音频数据可以采用当前比较先进的语义分割^[13]等方法，提取知识，统一形成知识库。基于上述建立的本体框架进行知识填充，由于初始的USV-KG包含不正确以及冗余的信息，因此需要进行实体对齐和质量评估操作^[14]。建立的USV-KG可以采用RDF资源描述文件存储，也可以在Neo4j图形数据库中存储，以便提供可视化操作和简单查询操作。

最后，构建的USV-KG可以用于很多下游应用，为无人艇决策任务提供知识来源。

2 无人艇自主决策领域知识推理模型 2.1 关键概念定义

无人艇自主决策知识图谱构建既需使用广义表示学习能力从多模态数据中学习任务场景特征并提取知识，又需利用知识图谱的表示学习完成知识的补全和下游推理任务。面向知识图谱的表示学习，又称知识图谱的图嵌入学习，旨在将知识图谱的实体与关系映射到低维且稠密的分布式向量表示^{[15 − 16]}。因此先给出模型涉及到的一些关键定义。

定义1　推理任务：给定一个USV-KG：$ {G}_{{M}}= (V,\xi ) $。其中，$V$表示节点集合，$\xi $表示关系集合。三元组$ { T}=\left\{\right(h，r，t\left)\right\}\in V\times \xi \times V\} $描述了图谱中存在的事实。推理任务定义为USV-KG上的实体预测和关系预测。前者预测在特定关系下的三元组确实实体，即（头实体，关系，？）或者（？，关系，尾实体）。而后者则可以理解为（头实体，？，尾实体）。

定义2　知识图谱表示学习：给定一个网络结构，即USV-KG，目标是学习到能够描述图结构和语义信息的向量表示$ X\in {R}^{\left|V\right|\times d} $。其中，$ V $为图中节点集合，$ d $为单个节点的向量维度。

定义3　元路径：是在网络中定义的节点类型和边类型的有序序列，可以用$ {V}_{1}\stackrel{{R}_{1}}{\to }{V}_{2}\stackrel{{R}_{2}}{\to }\cdot \cdot \cdot {V}_{l} $来描述在节点$ {V}_{1} $和$ {V}_{l} $之间的复合关系$ R={R}_{1}\circ {R}_{2}\circ \cdot \cdot \cdot {R}_{l} $。以图2为例，无人艇节点−数据节点−环境节点为一条元路径，描述了无人艇根据某数据判断出了某种环境的含义，用节点示例去填充，则构成了此元路径下的一条元路径实例。

2.2 融合元路径信息的图嵌入模型

近些年，随着图神经网络研究的深入，更多的学者开始使用图神经网络来对知识图谱进行嵌入学习。针对知识图谱这种异构多关系的图结构，Schlichtkrull提出了多关系GCN模型^[17]，在学习每个实体的表示时，针对当前实体关联的每个关系分别用GCN执行聚合操作，第一次实现了图神经网络作用于知识图谱。虽然图神经网络可以对图的结构信息进行充分聚合，但还是忽略了图上有价值的路径信息。因此本文提出一种融合元路径信息的图嵌入模型MPGE，模型整体结构如图3所示，主要包含3个部分，输入为USV-KG。首先，提取目标节点周围的封闭子图，使用GNN网络来对目标节点特征和子图中的邻居特征聚合。然后对USV-KG中的所有元路径实例进行编码聚合得到节点的嵌入表示。最后将2种嵌入方式进行有效融合来得到最终的节点嵌入表示。

2.2.1 基于子图提取的图嵌入模型

首先，由于KG中特定的三元组局部结构图邻域包含推导的目标节点之间关系所需的信息，因此，先提取目标节点周围封闭的子图，定义节点$ u、v $之间的子图为2个节点邻居节点的交集，即提取2个目标节点的$ k $跳邻域$ {N}_{k}\left(u\right) $和$ {N}_{k}\left(v\right) $，取$ {N}_{k}\left(u\right)\cap {N}_{k}\left(v\right) $，然后修剪与任一目标节点独立距离大于$k$的节点。

然后，由于GNN需要一个节点特征矩阵作为输入用于消息传递的初始化，因此根据节点在子图中相对目标节点的拓扑位置对提取的子图进行标记，即用$ \left(d\right(i,\;u)，d(i,\;v\left)\right) $来标记节点。目标节点$ u,\;v $被标记为$ (0,\;1) $和$ (1,\;0) $。节点特征被编码成[one-hot$ \left(d\right(i,\;u\left)\right)\oplus $one-hot$ \left(d\right(i,\;v\left)\right) $]，其中$ \oplus $表示2个向量的拼接操作。

最后，采用GNN模型来对节点表示和相邻节点进行聚合迭代来更新节点表示。GNN模型的第$k$层传播公式如下：

$ {a}_{t}^{k}={\mathrm{AGGREGAT{E}}}^{k}\left(\left\{{h}_{s}^{k-1}:s\in N\left(t\right)\right\}\text{，}{h}_{t}^{k-1}\right)，$

(1)

$ {h}_{t}^{k}={\mathrm{COMBIN{E}}}^{k}\left({h}_{t}^{k-1}\text{，}{a}_{t}^{k}\right)。$

(2)

式中：$ {a}_{t}^{k} $为节点$ t $的邻域聚合信息；$ {h}_{t}^{k} $为节点$t$的模型第$ k $层得到的嵌入向量表示；$ N\left(t\right) $为节点$ t $的邻居节点；$ \mathrm{AGGREGATE} $和$ \mathrm{COMBINE} $分别为不同的聚合函数。这里采用R-GCN模型^[17]中的$ {\mathrm{AGGREGATE}} $和$ {\mathrm{COMBINE}} $函数，如下所示：

$ {a}_{t}^{k}=\sum _{r=1}^{R}\sum _{s\in {N}_{r}\left(t\right)}{\alpha }_{r{r}_{t}st}^{k}{W}_{r}^{k}{h}_{s}^{k-1}，$

(3)

$ {h}_{t}^{k}=\mathrm{R}\mathrm{e}\mathrm{L}\mathrm{U}\left({W}_{self}^{k}{h}_{t}^{k-1}+{a}_{t}^{k}\right) 。$

(4)

式中：$ R $为USV-KG中所有的关系集合；$ {N}_{r}\left(t\right) $为与节点$ t $有关系$ r $的邻居集合；$ {W}_{r}^{k} $为一个变换矩阵参数；$ {\alpha }_{r{r}_{t}}^{k} $为连接节点$ s $和$ t $的关系$ r $在第$ k $层的注意力权重；ReLU为激活函数。

2.2.2 基于元路径的局部信息嵌入模型

由于异构图不同的节点类型可能具有不同的特征向量维度，即可能不位于同一个特征空间中，因此需要将不同的特征投影到一个潜在的向量空间中，如下式：

$ {h}_{v}^{{'}}={{\boldsymbol{W}}}_{A}{x}_{v}^{A}。$

(5)

式中：$ A $为节点类型；$ {x}_{v}\in {R}^{{d}_{A}} $为原本的特征向量；$ {h}_{v}^{{'}}\in {R}^{{d}^{{'}}} $为节点$ v $的投影向量；$ {{\boldsymbol{W}}}_{A}\in {R}^{{d}^{{'}}\times {d}_{A}} $为$ A $类型的参数权重矩阵。

对于一种元路径类型$ P $，对应多条元路径实例，为了学习到元路径实例的嵌入，因此需要对每个元路径实例进行编码，编码如下式：

$ {h}_{P}=f\left(P\right)=f\left({h}_{v}^{{'}}\text{，}{h}_{u}^{{'}}\text{，}\left\{{h}_{t}^{{'}}{，}\forall t\in \left\{{m}^{P}\right\}\right\}\right)。$

(6)

式中：$ {h}_{P} $为元路径类型为$ P $的元路径实例向量表示；$ f $为编码器；$ {m}^{P} $为元路径类型为$ P $的某个元路径实例中的所有节点。对于同一种元路径类型下的元路径实例编码，采用加权求和进行聚合，如下式：

$ {h}_{v}^{P}=\delta \left(\sum _{u\in {{ N}}_{v}^{P}}{\alpha }^{P}·{h}_{P}\right) 。$

(7)

式中：$ {\alpha }^{P} $为元路径$ P $的权重；$ \delta $为激活函数；$ {h}_{v}^{P} $为节点聚合节点$ v $所在的类型为$ P $的元路径实例得到的向量表示。

最后对不同类型的元路径向量也要进行聚合，这里采用文献[18]中的图注意力网络进行融合，通过聚合节点$ v $所在的各种类型元路径向量表示得到节点$ v $的表示。

2.2.3 模型训练

对于上面2个模块学习到的向量表示$ {h}_{{v}_{i}}^{1} $和$ {h}_{{v}_{i}}^{2} $，通过一层全连接层进行连接，如下式：

$ {h}_{{v}_{i}}=\sigma \left(W\left({h}_{{v}_{i}}^{1}\oplus{h}_{{v}_{i}}^{2}\right)+b\right) 。$

(8)

得到的嵌入向量用于下游任务链接预测等，因此需要设计损失函数，对于训练图中出现的每个三元组，通过随机采样替换头部或者尾部实体得到负三元组，通过梯度下降法训练模型使得正三元组的得分大于负三元组得分，如下所示：

$ \begin{split} \ell=-\sum _{\left(u\text{，}r\text{，}v\right)\in T}&\sum _{\left({u}^{{'}}\text{，}{r}^{{'}}\text{，}{v}^{{'}}\right)\in {T}^{{'}}}\mathrm{m}\mathrm{a}\mathrm{x}\{S\left(u\text{，}r\text{，}v\right)-\\ &S\left({u}^{{'}}\text{，}{r}^{{'}}\text{，}{v}^{{'}}\right)+1\text{，}0\} 。\end{split}$

(9)

式中：$ T $为正确的三元组；$ {T}^{{'}} $为错误的三元组；$ S $为得分函数，这里采用R-GCN^[17]中的得分函数。

3 实验验证 3.1 实验设定

实验中采用的数据来源于第一章构建的USV-KG，包含6种节点类型、11种关系类型、2700条三元组。按照8∶1∶1的比例划分训练集、开发集、测试集。为了测试本文所提出的嵌入模型性能，在链接预测这一下游任务上进行验证，并与当前主流的嵌入模型进行对比，所选取的基线模型包括：TransE^[15]、ConvE^[16]、RGCN^[17]。模型超参数设置如表3所示，基线模型设置遵循相关论文中的最优设置。

为了验证链接预测的性能，采用几个常用的评价指标，如下式：

$ Hit@n=\frac{1}{N}\sum _{i=1}N\left(ran{k}_{i}\leqslant n\right)，$

(10)

$ MRR=\frac{1}{N}\sum _{i=1}N\left(\frac{1}{ran{k}_{i}}\right) 。$

(11)

式中：$ ran{k_i} $为特定三元组的排名，第一个指标表示正三元组的排名在前n的频率，这里选择常用的$ Hits@1 $、$ Hits@3 $、$ Hits@10 $进行评价，第二个指标表示整体的排名水平。

3.2 链接预测实验

本文提出的MPGE模型是为了在USV-KG中预测缺失三元组即预测缺失的关系和实体，从而提供知识推理的功能。本实验将提出的模型分别与不同类型的链接预测模型进行对比，采用3.1节设定的指标进行分析。表4为4个模型的预测效果，总体而言只有在$ Hits@1 $指标下稍微次于R-GCN模型，在其他3个指标下都明显优于其他模型。因此，本文所提出的MPGE模型在大多数情况下推荐的候选集中都包含最优链接，在个别情况下这些最优链接并没有放到第1名。

3.3 消融实验

为了验证不同模块对模型性能的影响，在本次消融实验中，分别对元路径聚合模块、子图提取图神经网络嵌入模块、单独子图提取模块进行去除。实验结果如表5所示，$ {{\mathrm{MPGE}}}_{{\mathrm{meta}}} $、$ {{\mathrm{MPGE}}}_{{\mathrm{gnn}}} $、$ {{\mathrm{MPGE}}}_{{\mathrm{sub}}} $分别为去掉元路径聚合模块、去掉子图提取神经网络嵌入模块、去掉子图提取模块采用R-GCN模型进行替换。对比数据可以明显看出元路径信息和子图提取这2个关键步骤的重要性。

3.4 无人艇推理示例

为了进一步说明模型在无人艇场景推理中的作用，这里以无人艇横倾影响因素为例，如图4所示。这个问题可以转化成推理（?，影响，横倾）这个三元组的头节点是什么，在模型中通过计算每一个实体在这个三元组中作为头节点得分函数的结果来进行排名，从而提供推荐。图中实线是已经有的链接作为输入，而虚线是需要预测的链接，可以看到模型预测结果中把水下有硬物这个节点排在第1名，预测结果准确，可以看到排在前3名的实体都是可靠答案。需要注意的是，虽然该方法目的是为了实现无人艇任务场景下的自主推理问题，但是无法保证节点以及边的预测总是准确的，因此还需要操作人员进行评估。

4 结　语

知识图谱目前在多个领域显示了其优秀的数据整合能力，因此把知识图谱引入无人艇领域可以为无人艇航行过程的决策问题提供有效的知识支撑。本文提出的知识图谱建模框架可以为后续的具体无人艇自主决策场景下的知识建模提供参考，后续研究应该集中在对关系的探索上，力求构建出更符合实际情况的无人艇自主决策知识图谱。

本文在无人艇自主决策研究中采用知识图谱嵌入算法进行链路预测来实现无人艇的决策推理任务，设计的算法在稀疏性数据上得到了较好的效果。然而本文也存在了一些局限性，例如对于边和节点的描述的质量有限，提取的数据量有限。希望本研究可以带来无人艇领域知识图谱辅助决策方向的更多进展。与此同时，下一步的研究方向将集中在将时间信息纳入知识图谱推理中。