兵要是指作战中利用战场环境或地理环境的“要点” ^[1]。兵要信息（military topology information）是记录和描述战场环境中客观存在的，与军事活动紧密相关的自然地理、人文地理和基础设施等要素实体，并分析评价其对军事行动影响的一种地理环境研究成果^{[2, 3]}。

兵要信息是对传统兵要地志的拓展和延续，其不是单纯的地理志书，而更强调实体和待评价内容的数字化、标准化和信息化，并采用信息论、数据结构、大数据、人工智能等先进的数据管理与信息挖掘手段，智能化分析实体在地理空间中的时空分布、逻辑关联和作战影响，进而给出辅助决策依据。兵要信息也区别于地理空间信息（传统地图的拓展），兵要信息更强调各要素实体的综合联系和对军事行动的影响，它的产生是在地理空间信息的基础上进行数据挖掘、要素度量、环境分析和行动决策，进而形成与军事行动相关联的地理环境研究成果。因此，地理空间信息是兵要信息的基础信息资源，而兵要信息是综合分析地理信息和军事行动后产生的一种评价成果。

不论是兵要地志、地理空间信息，还是兵要信息，都是对地理环境系统的记录和描述，虽然兵要信息的产生运用了知识综合、抽象和概括的过程，但其在形式上仍然是地理要素对军事行动影响的一种客观评价，而非抽象和综合的兵要知识表达。如果要将人工智能、大数据等技术引入到兵要信息生产和分析领域，则需要构建兵要知识图谱。

本文旨在以知识图谱的概念和理论为基础，根据兵要信息的要求和特点，提出兵要知识图谱（military topology knowledge graph，MTKG）的构建方法，目的是构建融合语义关系和时空关系的兵要信息智能引擎，服务兵要信息智能分析，最终为智能化的兵要信息系统建设提供技术支撑。本文首先讨论了兵要知识图谱的内涵与特点；然后分析了兵要知识图谱的构建方法和关键技术；最后阐述了兵要知识图谱的应用领域与方向。

1 兵要知识图谱的内涵与特点 1.1 兵要知识图谱的内涵

知识图谱^[4]是人工智能领域的一个重要分支，其来源于智能化的图书情报和信息处理技术，最初的研究是为了解决图书情报（主要是文本类）的逻辑关联分析和可视化问题，即将图书文献中隐含的信息，通过特征提取、模式识别、信息关联、信息处理与分析和可视化等手段显示出来，为研究者确定自己的研究领域在科学研究中所处的位置^[5]。知识图谱本质上是具备有向结构图的网状知识库，其中的节点代表实体或者概念，是由具有各种属性的实体通过信息关联组合而成，而图的边代表实体与概念之间的各种语义关系。

近年来，人工智能的热潮带动了知识图谱研究的迅猛发展，并被应用于不同的学科领域，学者们依据本领域的特点分别提出了不同类型的知识图谱，其中与兵要知识图谱较为相近的概念是基于地理信息的地理知识图谱^[6]和基于军事情报的军事知识图谱^[7]，这两种知识图谱都针对文本类信息，采用网络结构图的概念，通过图形方式表达知识，即将知识图谱作为开放语义网的子集，通过实体抽取、逻辑关系抽取和图谱存储等实现图谱构建。兵要信息与地理信息和军事情报有所不同，兵要信息以地理空间信息为基础，融合影像、视频、地图数据、地理数据和军事情报等多元信息，通过图像解译、图形分析、情报挖掘等技术提取要素实体及其关联，并用多维数据动态可视化技术展现作战环境中各要素的形态结构与空时变化规律。因此，在数据类型上，兵要信息已经超出了地理信息和情报信息表达的范围，兵要知识图谱也不是前两种知识图谱的简单概念搬移。

兵要知识图谱首先是对兵要知识的图形化表达方式，在这一点上，兵要知识图谱类似于地理知识图谱和军事知识图谱；但兵要知识图谱不仅是一种图形表达方式，它还是一种可定量分析和挖掘知识的网络结构，可依据实体间的关联和逻辑计算分析环境对军事行动的影响，并进一步挖掘辅助决策信息；此外，兵要知识图谱还是一种时空分析方法，具备对地图或地理空间信息的时空分布表现能力，并通过建立时空模型定性和定量地认识地理现象在战场环境中的分布和对军事行动的影响。

如图 1所示，兵要知识图谱的核心是建立与地理空间信息时空关联的知识图形表达，将兵要实体以及它们之间的联系以地理坐标和时间坐标之外的另一种空间图形分布表现在图上，并在此基础上形成兵要信息网状知识库，然后通过有向结构图的图与边模型组成知识语义模型，实现兵要知识的信息检索、专家知识抽取、逻辑关系分析等功能，从而具备对战场环境及其对军事行动的影响进行大规模实时关联和因果分析的能力。

兵要知识图谱是科学知识图谱在兵要信息领域的拓展，是表述地图、影像等实体空间分布的空间信息图，也是表述信息挖掘和知识推理的图形化知识结构图，其通过知识图谱形象化地描述兵要信息的概念、实体、属性及其时空关联，进而形成空间和网状相结合的知识结构。

1.2 兵要知识图谱的特点

兵要知识图谱根本特征表现为一种“时空兵要信息结合型”的知识图谱，其需要针对战场环境信息、作战行动特点和兵要信息的自身特点，对多源信息进行综合和关联，进而获得具备时空关联的兵要知识谱系图。

1）兵要知识图谱同时具备“具象信息图”和“抽象知识图” ^{[8, 9]}的双重能力。兵要知识来源于地理空间信息，描述了战场环境中地理要素的空间分布，是未经概念抽象、逻辑推理、构模分析的原始时空信息表达模型；另一方面，兵要知识又是知识推理和关联分析后获取的、表示某种认知和理解的军事行动知识。

2）兵要知识图谱描述的关系包括时空关系、语义关系和互作用关系。兵要知识图谱在网络结构图形层面主要描述的关系是实体之间的语义关系；在地理空间信息的时间关联层面主要描述的地理要素随时间的逻辑变化关系；在地理空间信息的空间关联层面主要描述的地理要素在空间上的分布关系。另外，战场环境和军事行动是一个动态系统，图谱中还需要表示运动、变化、过程、相互作用等关系，而如何构建地理信息时空关系、逻辑关联及各种实体相互关系的映射，是兵要知识图谱构建的核心关键问题。

3）兵要知识图谱具备可计算性。兵要知识图谱需要通过人工构建类似于神经网络的多源信息的网络化、图形化表达结构图，并具备图计算的特点，因此它是可计算的，并且能够与其他的形式化表达方式相互转换，人们可以通过计算和推理从中获取更多可用于行动决策的新的知识。

4）兵要知识图谱需要描述地理空间和作战实体的知识实体模型和推力模型。实体模型主要指地理空间信息中关于地理空间要素的地理定义、地理分析、空间分布等反映地理实体外部特征和联系的表达模型，属于客观知识。推理模型是指描述地理空间要素的空时演变要素、对作战行动的影响预测等需要深度挖掘的内容，属于对数据挖掘型算法要求较高的知识推理。此外，兵要知识图谱应该能够全面描述、存储和表示地理空间实体的相关知识，并建立知识之间的逻辑关联。

2 兵要知识图谱的描述与构建 2.1 兵要知识图谱的描述方法

兵要知识可采用资源描述框架（resource description framework，RDF）^[10]表示为三元组形式，即“〈主体(Subject)，谓词(Predicate)，宾语(Object)〉”，形成由“点-边”组成的大规模有向图。其中，主体是地理空间要素和作战实体，谓词表示地理空间要素和作战实体进行知识推理或信息挖掘的方法或技术，宾语是进过推理后形成的具有属性或资源描述的知识。标准RDF三元组不易表达时空信息，将会影响兵要知识的时空构建效果。为此，需要在RDF模型中增加时空描述方法，例如时间关系谓词、空间类型陈述、时空关系谓词等，以构建适于时空索引和查询的增强型RDF三元组。

图 2表示了兵要知识图谱的构建过程，不同的信息来源对应了不同的数据类型，再通过时空关联、知识抽取、实体分析、知识推理等技术形成兵要知识图谱。

2.2 兵要知识图谱存储构架

兵要知识蕴含了大量的地理空间信息和逻辑关联信息，需要构建一个存储知识图谱的框架，以提高知识图谱的使用效率。

图 3是兵要知识存储架构图。兵要知识图谱中的地理空间信息包含地图、影像和多媒体等信息，通常单一的服务器无法满足其存储需求，可采用分布式协同存储提高存储容量。分布式协同存储采用先逻辑结构后物理分块的模式，首先建立基于关系表和图结构的增强型RDF数据模型，再通过数据和信息存储指向对结构化的数据分块，提高系统数据结构的存储、调用和转发效率。

2.3 兵要知识抽取

兵要知识的抽取分为兵要实体抽取、逻辑拓扑关系抽取、时间关联抽取和语义属性关系抽取^[11]。兵要实体抽取主要是从结构化和半结构化数据中构建实体词典、知识规则或知识特征，抽取出符合某一类的实体。实体抽取的知识规则较为确定，因而其抽取准确率较高，亦可以在实际工程中应用。

关系抽取则需要从非结构化数据中挖掘知识，实体的信息大多隐含于数据中，知识规则形式多样，知识特征不明显，并且需要考虑各种逻辑关联因素，因此，其实体抽取难度较大，下面重点讨论拓扑关系抽取过程。

拓扑关系抽取主要完成地理空间分布到计算机模型描述与表达关系的转换过程，需要建立空间分布关系到计算机描述语言的映射关联^[12-13]。如图 4所示，兵要信息中不同的地物要素有不同的对照关系。

例如铁轨和道路之间有“跨越”和“穿过”动作，并且“跨越”动作存在上下的方位关系；河流和村庄之间有“穿过”和“绕行”动作等。可以利用地理信息系统中的点、线、面分布关系的计算方法，分析得到兵要实体的拓扑关系与类别。

例如，道路、河流等实体定义为线状要素，村庄、湖泊、城市等定义为面状要素，重要目标和独立地物定义为点状要素，再通过语言描述各要素的空间分布关系。

时间结构关系主要用于描述兵要信息随时间的变化特征。时间结构关系主要描述人文地理变化和自然地理的属性变化。人文地理变化主要包括国家、政治、宗教等实体随时间发展变化关系，如描述国家政治局势的变化，需要包含“时间-国家-地缘-事件-人员”之间的关系，组成“增强型”的RDF模型。自然地理的属性变化主要包括地理实体、空间位置随时间的变化关系，如描述国家（城市）名称的变化，则需要包括“国家（城市）-地理位置-时间”之间的关系，组成计算机可识别的语言描述模型。

语义属性关系包括逻辑关联关系、等同关系、同类关系、互斥关系等。逻辑关联关系主要描述概念或实体间的实例关系，例如“海洋”与“太平洋”之间的关系；同等关系用来描述同级别兵要实体之间的等价关系，如“冲绳最大的空军基地”与“嘉手纳空军基地”；互斥关系用来描述概念相反的同级兵要实体，如“军事目标”与“民用设施”；相似关系用来描述概念相近的同级兵要实体，如“资本主义国家”与“发达国家”。

除了上述内容外，兵要实体分析也是建立兵要知识图谱不可缺少的部分。兵要实体分析主要包括实体关联、实体关系消歧和实体对齐3部分^[14-15]。实体关联建立兵要实体之间的相关性联系。实体对齐也被称作实体匹配，是指对于多源异构的兵要信息中的各个实体，挖掘和分析出同一实体。实体消歧是专门用于解决同名实体产生歧义问题的情况，针对实际的兵要信息中某个实体名称对应于多个命名实体对象的问题，完成同个实体名称在不同场景中不同意义的统一。

3 兵要知识图谱的应用

兵要知识图谱是实现兵要信息智能化检索、决策和分析的重要基础，按照应用场景不同，兵要知识图谱可分为人工辅助和全智能决策的应用。人工辅助应用主要通过兵要知识图谱建立智能化信息检索、专家问答系统、知识挖掘与辅助决策等更好地辅助人员对作战环境的认知；全智能决策的兵要信息认知，主要使决策系统具备智能化认知和机器学习能力，可在海量兵要信息中挖掘和推理作战行动关联因素。

3.1 人工辅助的兵要知识专家问答服务

人工辅助的兵要知识专家问答模式在交互形式上更接近人类的交流习惯，基于兵要知识图谱的智能问答系统可以建立虚拟战场地理环境和兵要信息的智能检索引擎^[16]，能够适应作战决策中快速、准确、启发式获取兵要知识的需求。由于兵要知识图谱具有网络图形化、可计算化、关联化的特征，兵要知识图谱相比纯文本资料、结构化数据库等，具有更丰富的信息表达、更精确的知识推理和更高效的检索方式等优势，基于兵要知识图谱的专家问答服务将是兵要知识图谱的一个重要应用方向。

3.2 基于兵要知识图谱的全智能化决策

以兵要知识图谱为基础，可以建设兵要信息大数据和智能决策平台，可利用模式识别、模式聚类、图计算、神经网络、类脑算法等先进的人工智能方法，实现兵要实体的关联分析、军事行动影响分析等功能^[17]；并且依据“增强型” RDF模型，实现时空离散分布的目标、时间和环境的关联分析，增强信息处理能力。兵要知识图谱还能进一步加深机器学习在兵要信息中的应用，使决策系统具备环境认知能力。

3.3 为智能化武器装备提供兵要信息知识库

未来，人工智能技术将进一步应用于各种武器装备，兵要知识图谱技术可以使作战机器人等智能武器具备对作战环境的动态感知能力，为武器平台提供相关知识库的支撑。兵要知识图谱可为作战机器人等智能平台提供兵要信息服务，为武器平台的路径规划和打击评估提供丰富的知识推理，使其具备更智能的战场环境信息理解能力。

4 结束语

兵要知识图谱是智能化兵要系统的基础工程，其构建技术主要以人工智能、数据挖掘、机器学习、信息检索等多学科交叉技术为支撑，是兵要信息智能化服务发展的新趋势。本文重点分析了兵要知识图谱的概念和内涵，并设计了兵要知识图谱的基本架构，总结分析了兵要知识图谱的关键技术，并结合兵要知识图谱的特点分析了未来的应用场景。

兵要知识图谱作为兵要信息智能化分析的核心技术，具有重要的理论研究和实际应用价值。随着人工智能在军事应用中的逐渐深入，兵要知识图谱在地理空间信息智能关联、隐含知识发现、决策深度问答、智能专家问答系统等作战运用中，必将发挥越来越重要的作用。