【CICC原创】一种基于时空知识图谱的意图识别置信度评估方法

（《指挥与控制学报》刊文精选）

引用格式  刘洋，刘颢，曲腾腾，等. 一种基于时空知识图谱的意图识别置信度评估方法 [J]. 指挥与控制学报，2024，10（2）：154-161

LIU Y, LIU H, QU T T, et al. Intention recognition confidence evaluation based on a spatiotemporal knowledge graph[J]. Journal of Command and Control, 2024, 10（2）: 154-161

意图识别算法存在识别结果缺少评估、领域知识不完备等问题，迫切需要研究置信度评估方法。利用时空知识图谱统一表示包含时空信息的实体，将作战目标及其关系抽象表示为时空知识三元组。利用典型对抗场景数据训练神经网络，计算并融合实体和知识图谱两个层面的置信度，得到最终置信度评估结果。仿真结果表明，利用时空以及目标型号信息，分析作战目标存在某种作战意图的可能性，能有效评估意图识别结果的置信度，对于意图识别系统的真正“落地”具有重大意义。

对战场目标作战意图的快速、 准确地自动识别， 是智能决策的前提和基础[1]。意图识别是对战场态势进行综合分析， 判断、 预测或解释敌方作战设想、 作战打算、 作战计划的过程[2]， 是辅助人完成“知彼”的重要方法， 对夺取战斗胜利有重要意义。以深度学习、 知识图谱推理为代表的智能意图识别方法取得了一定进展。然而， 识别结果缺少评估、 领域知识不完备等问题限制了其应用场景， 尤其是在自动驾驶、 战场态势评估等高可信性要求的领域， 迫切需要研究置信度评估方法。

已有部分意图识别方法能够给出有置信度的识别结果， 大部分研究集中在增加可靠性算子等方向[1-5]。长短时记忆（long short-term memory， LSTM）是一种递归神经网络， 能够捕捉时间序列数据的长期依赖关系[6-8]， 不少学者尝试将LSTM网络应用于车辆轨迹预测[9-10]；王海滨等提出一种模糊置信规则信息处理方法， 该方法处理小规模数据时表现良好， 但随着划分模糊域的增加， 计算时间成指数增加， 识别准确率下降[11]。上述方法尚未建立领域知识和数据的统一表示， 本质上只能从局部时空、 部分场景说明意图， 识别结果的可信程度无法综合领域知识和历史案例作出准确的定量评估。

无论是交通管理、 网络购物、 计算机游戏还是军事领域， 其场景数据和领域知识均具有较强的时空属性， 适合时空知识图谱进行表示[12-15]。本文设计了一种实体编码方法， 将传统定义上的实体看作是空间属性、 时间属性以及类型属性的并集， 提出基于时空知识图谱的意图识别置信度计算方法（intention recognition trustworthiness measurement using a spatiotemporal knowledge graph， IRTM-SKG）。能够运用全部知识和数据的积累， 同时考虑了实体和图谱层面的置信度， 经过仿真验证， 可以给出有效的置信度评估结果。该方法可以较为客观、 一致地评估意图识别的可信程度， 从而提升网络安全防御、 自动驾驶安全、 态势评估的可靠性， 使意图识别结果在人临机决策中发挥更大作用。

References

[1]　姚庆锴, 柳少军, 贺筱媛, 等. 战场目标作战意图识别问题研究与展望 [J]. 指挥与控制学报, 2017, 3（2）: 127-131.

YAO Q K, LIU S J, HE X Y, et al. Research and prospect of battlefield target combat intent recognition[J]. Journal of Command and Control, 2017, 3（2）: 5. （in Chinese）

[2]　王端龙, 吴晓锋, 冷画屏. 对敌战场意图识别的若干问题 [J]. 舰船电子工程, 2004（6）: 4-9.

WANG D L, WU X F, LENG H P. Some problems in recognizing enemy battlefield intentions[J]. Ship Electronic Engineering, 2004, 24（6）: 6. （in Chinese）

[3]　SCHREIER M, WILLERT V, ADAMY J. Bayesian, maneuver-based, long-term trajectory prediction and criticality assessment for driver assistance systems[C]// 17th International IEEE Conference on Intelligent Transportation Systems （ITSC）. IEEE, 2014: 334-341.

[4]　SCHLECHTRIEMEN J, WIRTHMUELLER F, WEDEL A, et al. When will it change the lane a probabilistic regression approach for rarely occurring events[C]// 2015 IEEE Intelligent Vehicles Symposium （IV）. IEEE, 2015: 1373-1379.

[5]　KORTELING J E H, VAN DE BOER-VISSCHEDIJK G C, BLANKENDAAL R A M, et al. Human-versus artificial intelligence[J]. Frontiers in Artificial Intelligence, 2021, 4: 622364.

[6]　沈寿林, 肖毅, 朱江, 等. 作战指挥态势理解智能算法应用 [J]. 指挥信息系统与技术, 2023, 14（2）: 52-57.

SHEN S L, XIAO Y, ZHU J, et al. Application of intelligent algorithm for understanding combat command situation[J]. Command Information System and Technology, 2023, 14（2）: 52-57.（in Chinese）

[7]　DUAN Y, YISHENG L V, WANG F Y. Travel time prediction with LSTM neural network[C]// 2016 IEEE 19th International Conference on Intelligent Transportation Systems （ITSC）. IEEE, 2016: 1053-1058.

[8]　ALAHI A, GOEL K, RAMANATHAN V, et al. Social LSTM: human trajectory prediction in crowded spaces[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. IEEE, 2016: 961-971.

[9]　ZYNER A, WORRALL S, NEBOT E. A recurrent neural network solution for predicting driver intention at unsignalized intersections[J]. IEEE Robotics and Automation Letters, 2018, 3（3）: 1759-1764.

[10]  PARK S H, KIM B D, KANG C M, et al. Sequence-to-sequence prediction of vehicle trajectory via LSTM encoder-decoder architecture[C]// 2018 IEEE Intelligent Vehicles Symposium （IV）. IEEE, 2018: 1672-1678.

[11]  王海滨, 关欣, 衣晓, 等. 基于改进模糊置信规则的意图识别方法 [J]. 电子与信息学报, 2022, 44: 1-8.

WANG H B, GUAN X, YI X, et al. Intent recognition method based on improved fuzzy confidence rules[J]. Chinese Journal of Electronics and Information, 2023, 45（3）: 8. （in Chinese）

[12]  马悦, 吴琳, 郭圣明. 智能博弈技术军事应用展望 [J]. 指挥与控制学报, 2023, 9（2）: 135-145.

MA Y, WU L, GUO S M. Prospect of military application of intelligent game technology[J]. Journal of Command and Control, 2023, 9（2）: 135-145.（in Chinese）

[13]  安靖, 司光亚, 周杰, 等. 基于知识图谱的仿真想定智能生成方法 [J]. 指挥与控制学报, 2023, 9（1）: 103-109.

AN J, SI G Y, ZHOU J, et al. Intelligent generation method of simulation scenario based on knowledge graph[J]. Journal of Command and Control, 2023, 9（1）: 103-109. （in Chinese）

[14]  金欣, 毛少杰, 李青山. 基于混合智能的作战指挥智能培育方法 [J]. 指挥与控制学报, 2020, 6（3）: 294-298.

JIN X, MAO S J, LI Q S. Intelligent cultivation method of combat command based on hybrid intelligence[J]. Journal of Command and Control, 2020, 6（3）: 294-298. （in Chinese）

[15]  沈英汉, 江旭晖, 王元卓, 等. 时态知识图谱的推理研究综述 [J]. 计算机学报, 2023, 46（6）: 1272-1301.

SHEN Y H, JIANG X H, WANG Y Z, et al. A review of reasoning research on temporal knowledge graph[J]. Chinese Journal of Computing, 2023, 46（6）: 1272-1301. （in Chinese）

[16]  PAGE L, BRIN S, MOTWANI R, et al. The PageRank citation ranking: bringing order to the web[R]. Stanford InfoLab, 1999.

[17]  PIRRO G. Explaining and suggesting relatedness in knowledge graphs[C]// The Semantic Web-ISWC 2015: 14th International Semantic Web Conference, Bethlehem, PA, USA, October 11-15, 2015, Springer International Publishing, 2015: 622-639.

[18]  WANG Z, ZHANG J, FENG J, et al. Knowledge graph embedding by translating on hyperplanes[C]// Proceedings of the AAAI Conference on Artificial Intelligence, 2014, 28（1）: 19-26.

[19]  JIA S, XIANG Y, CHEN X, et al. Triple trustworthiness measurement for knowledge graph[C]// The World Wide Web Conference, 2019: 2865-2871.