火力与指挥控制杂志已发表格式范文参考
1.军事领域知识图谱构建方案及关键技术
作者：张杰勇;程海燕
作者单位：空军工程大学
关键词：军事知识图谱;知识图谱构建;知识融合;知识计算
摘 要：我国军事化建设正处于向信息化转型的关键时期，在军事领域，实体繁多、关系冗杂，导致军事知识难 以有效复用，大量军事经验被忽视和埋没。为解决这一问题，军事领域知识图谱应运而生，成为关键的解决途径之 一。提出了军事领域通用的知识图谱构建流程，为后续研究提供逻辑合规的图谱构建框架，并深入分析和讨论了 知识融合与知识计算环节，为后续研究提供坚实牢靠的理论基础与方法支撑。
0 引言
随着现代社会信息化的迅速发展，国内各领域 皆呈现出以知识管理支撑决策推断的发展趋势，诸 如金融、医疗等领域。军事领域亦是如此，现代的军 事化建设正朝着信息化的方向发展，军事领域数据 呈现出多样性、海量性及潜在依赖性等特征，如何从 海量军事数据中快速准确地获取相关人员需要的信息是现代军事化建设需要解决的难题之一。
2012 年，谷歌知识图谱正式上线，成为当时规 模最大、完整性最高的知识图谱，其与谷歌搜索引擎 的结合展现出高效、准确等特点，为各行业的智能搜 索领域提供了新思路，尤其是医疗、金融及工业生产 领域。知识图谱的本质是将实体、属性和关系等信 息组织成一张语义图谱，用以描述和表示现实世界 中的事物及其之间的关系，提供一种实体-关系的崭 新视角来描述复杂的数据世界。知识图谱将实体、 属性和关系作为知识表示，并使这些知识易于计算 和理解，基于这一特征，知识图谱在情报侦察挖掘、 作战指挥控制、战场态势感知分析等军事领域有广 阔的应用前景。
军事领域与其他领域不同的一点是其获取数的 难度较大，实体之间关系错综复杂且存在潜在不易 发觉的依赖关系，这些都使得军事领域知识图谱的 构建更为困难。尽管如此，国内也不乏优秀的学者 对军事领域知识图谱的构建产生浓厚兴趣并展开研 究。侯振瑜等针对军事领域数据的特点［1］ ，提出了 一种名为BERT-CRF-PRF的实体识别模型，使得军 事实体的识别效率有了明显提升，还构建了一个军 事知识图谱，且基于此图谱提出了一种实体检索方 法。胡卫等对军事装备知识图谱的构建展开研 究［2］ ，使用图结构重塑装备管理数据的关联关系，充 分利用装备寿命周期所产生的数据，实现装备数据 的分层级多视图的可视化呈现。刘奕明等构建了军 事法规知识图谱［3］ ，并以此为基础构建了军事法规 问答系统，为指挥员处理涉法问题提供决策辅助。
本文通过对军事知识图谱构建流程的研究，重 点分析讨论其知识融合与知识计算环节所涉及的技 术，为军事领域对知识图谱的研究与应用提供研究 基础。
1 军事知识图谱的构建流程
本文将军事领域知识图谱的构建分为4个环节： 知识抽取环节、知识融合环节、知识计算环节以及知 识应用环节。构建流程框架示意图如图1所示。
1.1 知识抽取环节
知识抽取技术是指从结构复杂内容冗余的数据 文本，如非结构化和半结构化文本中提取知识转化 为机器可读的知识表示形式，知识抽取技术通常涉 及实体识别、关系抽取和属性提取 3 个主要任务。 实体识别，也称命名实体识别，是指从数据文本中识 别并提取出命名实体，例如人名、地名、武器装备名称等。
属性提取是指从多个数据信息源中找到特定 实体的属性信息并提取出来，例如针对某一种武器 装备实体，提取其型号、重量、射程以及弹匣容量等 属性信息。关系抽取是指提取实体之间显式或隐式 的语义联系。
侯振瑜等针对军事数据的特点，提出了基于 BERT-CRF-PRF 模型的知识抽取方法。经过研究 验证，BERT-CRF 模型在通用领域的知识抽取任务 上性能较优，在此模型的基础上，加入了校对处理层 （proofread，PRF）以提高模型在军事领域识别军事实 体的识别质量。王宏宇等采用一种名为 BiLSTMCRF 的命名实体识别方法［4］ ，此方法有效结合了双 向 长 短 期 记 忆 网 络（bidirectional long short-time memory，BiLSTM）-条件随机场算法（conditional ran⁃ dom field，CRF），这二者各有优劣：CRF 是一种序列 标注算法，能够结合全局特征，得到全局最优标注概 率，但是这些特征需要进行人工标注，耗费大量的人 力成本；而 BiLSTM 是 RNN 网络中比较特殊的一种 网络，利用神经网络进行特征选择来判断一个词语 是否为一个命名实体，但无法保证其是全局最优解， 二者的结合补足了彼此的缺点，提高了实体识别的 效率。
1.2 知识融合环节
经知识抽取环节获取的大量异构数据由于来源 多种多样，抽取手段也相应地会存在差异，并且还存 在数据冗余问题、噪声问题，以及数据不完备、不确 定问题，同时数据间也没有清晰层次关系和明确的 逻辑关系，这些问题无法通过知识抽取的清洗环节 得到有效、彻底的解决，亟需一个基于一体化的实体 关系表示模型来实现异源知识的融合。需要实现格 式、属性上的统一，知识图谱的基本内容是实体与关 系，知识融合环节旨在实现不同知识库的相同实体 的融合与统一，即针对不同的领域、数据模式和应用 需求，对海量的异构数据资源进行数据语义标准和 链接的统一与构建，并且通过推理来检测逻辑层面 的矛盾，采用聚合或分类的方法对知识进行整合分 类，以及进行实体消歧、实体对齐等操作，最终实现 不同特殊领域中多个知识图谱在语义层面有效跨域 融合的目标，得到全局统一的知识表示和实体关联。
大数据环境下的知识融合技术，并非某类单一 技术，而是解决各种知识融合问题的技术簇，是具有 模块化的、有着递归结构的一整组技术组合，通过对 多种基础的技术组件或功能单元的有效组合，最终 可以实现能够解决特定任务、达成指定功能的多维 度知识融合。缑锦等通过对知识融合技术的总结， 研究出了一套基于遗传算法、改进算法、实体融合规 则以及需求驱动型算法的知识融合技术的分类体 系［5］ 。YU 等将通用的知识融合方法主要分为了基 于本体、基于统计学习、基于规则以及基于上下文语 境的知识融合方法四大类［6］ 。也有学者研究出不同 的技术分类，比如邱均平等就依据实现路径的差异， 把知识融合技术划分为了基于语义规则、基于DS理 论、基于贝叶斯网络和基于知识挖掘的知识融合四 大类［7］ 。
1.3 知识计算环节
知识计算是指针对初步构建成功的知识图谱所 存在的不完备性以及错误信息问题，通过将知识统 计与图挖掘、知识推理等方法与传统应用相结合，为 传统应用形态进行赋能，进而提高图谱中知识的完 备性并扩大知识的覆盖面。知识计算有两大分支： 知识统计与图挖掘、知识推理。其中，知识统计与图 挖掘指采用基于图特征的算法进行社区计算、相似 子图计算、链接预测以及不一致检测等，知识推理的 目标在于从给定的知识图谱中推导出新的潜在实 体、实体之间的潜在关联关系以及属性等。通过知 识计算可以实现对已有知识图谱的知识补全、知识 纠错、知识更新、知识链接等功能。
LIU 等尝试将逻辑推理与表达推理方法结合， 提出了一种新型的知识库表示学习方法PTransE，将 知识图谱中的实体和关系都嵌入到一个低维空间当 中［8］ 。同时，为了充分利用关系路径的优势，提出了 利用路径约束资源分配衡量实体间关系路径的可靠 性，使用关系的语义组合表示路径，进行图谱关系的 优化。庄严等根据实体对之间关系的语义关联特 点，为解决表示学习中经常会出现的语义分辨率问 题，尝试使用非线性变换的方法［9］ ，研究结果证明， 该方法针对有着复杂关系类型的实体对，有着优秀 的语义区分能力，可以使知识图谱关系推理的准确 率得到有效提高。
1.4 知识应用环节
知识图谱是当代人工智能的一个重要基石，一 直是学术界和工业界的热点，广泛应用于电商、医 疗、金融等领域［10-11］ ，目前在智能化搜索、自动问答、 推荐、自动决策支持等各个环节发挥了关键作用。 但知识应用方面针对技术成熟度也必须有成熟考 量，必须避免掉入“为了图谱而图谱”的误区，因此， 谨慎选择应用场景是知识图谱研究过程中极其重要 的前提。
军事领域的知识应用首先必须要真正明确应用 的场景与方式，也就是必须清楚认识想要利用图谱去解决的问题。1）何种应用场景下可以考虑采用 知识图谱的方案。知识图谱是一种针对知识的人机 间协同合作的开放管理机制，有其特定的使用价值 和开发成本，对于各种不同的应用场景和需要应对 的问题，知识图谱并非永远都是最适合最划算的解 决方案［12］ 。2）面向军事领域的知识图谱，由于领域 背景间复杂程度的不同，比其他类似电商、医疗等较 通用的知识图谱的应用场景要更为复杂。当前，在 建立领域知识体系的过程中，大多都以其相应的领 域数据的属性、基础概念为核心，不过这种办法在理 解复杂应用场景（例如本文中的军事领域）的需求时 有着一定的天然缺陷。因此，在本文的知识应用环 节当中，要重点关注和亟待解决的问题是如何设计 特定军事领域中各种复杂场景，并且弥补其中存在 的语义鸿沟。
2 军事知识图谱构建的关键技术
军事知识图谱经知识抽取环节已初具雏形，然 而此时的知识图谱缺乏准确性、完善性，存在许多错 误以及未被发掘的潜在关系。本文将知识融合技术 与知识计算技术作为军事知识图谱构建过程中的关 键技术，旨在为军事知识图谱提供一种完善与发展 的技术保障手段。
2.1 知识抽取技术
目前有一些成熟的知识抽取技术被应用于其他 领域中，但在军事领域内存在着一定缺陷：基于规则 的方法直接依靠领域专家手工设计规则来抽取实体 和关系，适用于一些简单结构的任务，但需要大量人 力成本和专业知识；基于统计的方法通常利用机器 学习算法，如支持向量机（support vector machine， SVM）、隐马尔可夫模型（hidden markov model，HMM） 等，进行实体识别和关系抽取，但在处理复杂语义任 务时可能表现不佳；一些传统的深度学习模型可能 对文本的语义理解能力有限，无法很好地捕捉上下 文信息，导致在复杂的命名实体识别任务中性能表 现不佳，并且一些深度学习模型，尤其是基于神经网 络的模型，通常需要大量的标注数据进行训练，才能 获得良好的性能，但在军事领域中标注数据可能相 对稀缺，会限制模型的应用。
而在军事装备领域的知识抽取中，基于深度学 习的命名实体识别（named entity recognition，NER） 和关系抽取（relation extraction，RE）技术成为了一种 突出的方法。这种方法结合了深度学习模型的强大 表征学习能力和军事装备领域的语义特征，基于 Transformer架构设计，有更强的语境理解能力，能够 很好地捕获文本中的上下文信息，有效地从文本中 抽取出军事装备实体并推理它们之间的关系。此 外，该方法引入了条件随机场层，通过考虑实体标签 之间的依赖关系，进一步提高了模型在命名实体识 别任务中的性能，CRF 层可以在全局范围内优化标 签序列，使得模型更加准确地预测实体边界。
本文主要采用BERT-CRF方法来作为军事领域 知识图谱构建过程中的知识抽取步骤中的关键技 术，为了进行 NER 和 RE 任务，BERT 模型提供了对 上下文的深层语义理解，可以提取出丰富的特征信 息，包括词级别和上下文级别的信息。因此，选择 BERT 作为预训练的语言模型，该模型通常使用 WordPiece嵌入对输入文本进行编码，并生成每个词 片段的词向量表示，这些词向量将输入给 CRF 层。 并且在训练过程中，使用军事装备领域的标注数据 集对BERT模型进行微调。对于NER任务，在BERT 模型的基础上叠加了 CRF 层，以实现实体序列的标 注，CRF层在 BERT 的输出上运行，通过在实体序列 上应用标签传播算法来生成最可能的实体标签序 列。CRF层考虑了实体标签之间的依赖关系，因此， 能够更准确地标注实体序列。而对于 RE 任务，在 BERT 模型之上构建了一个用于预测实体关系的全 连接层。
通过将BERT-CRF方法应用于军事领域知识图 谱构建中的知识抽取步骤，可以实现对军事装备实 体和关系的准确识别和抽取，不仅具有较高的准确 性和泛化能力，而且具有高效性、自动化程度、灵活 性和适应性等优势，为构建军事装备领域的知识图 谱提供了可靠的技术支持。
2.2 知识融合技术
知识融合的过程主要包含的技术或步骤有实体 对齐、实体消歧、属性融合以及值规范化等。其中的 实体对齐作为关键方法更是发挥了至关重要的作 用。实体对齐是指对于同一个实体，在不同的信息 来源中会有不同的表述，为了在知识图谱中消除因 命名不同带来的歧义，将实体都映射到同一个向量 空间中，通过对实体距离的计算来实现实体消歧。 其基础流程是融合图谱中不同源的同一实体的多种 特征计算其相似度，如名称、属性、类别，甚至是关键 词集等，最后得到对齐结果。具体做法是给定两个 实体集 E -1 和 E - 2，实体对齐就是找到一个对应的 集合A，
式中，e -1和e - 2呈等价关系。
军事领域的知识图谱构建面临着多源异构数据的挑战，涉及各种不同的军事实体和复杂的关系。 传统方法往往受限于军事领域术语表达的多样性和 数据质量的不确定性，导致不同数据源之间实体命 名的一致性较差，难以有效地处理这些挑战，因此， 实体对齐变得非常困难。本文采用基于嵌入的实体 对齐方法，将实体映射到统一的向量空间中，通过学 习实体之间的对应关系来解决这一问题，从大量文 本数据中学习到更加丰富和准确的语义表示，从而 提高知识图谱构建的效率和准确性。
与此同时，基于嵌入的实体对齐方法能够自动 学习实体的表示，减少了对人工特征工程和规则设 计的依赖。这使得实体对齐过程更加自动化和智能 化，减少了人工成本，并且能够处理更加复杂和多样 化的实体对齐任务，非常适合用于军事领域的实体 对齐任务。且自动化的特性也使得实体对齐过程更 加高效，能够在较短的时间内完成大规模的实体对 齐任务，提高了工作效率。
目前，基于嵌入的实体对齐方法逐渐在业内流 行开来，有了很大发展。此方法基于知识图谱嵌入 技术，潜在地减轻上述异质性并简化知识推理［13］ ，将 知识图谱的符号表示嵌入为低维向量，实体的语义 相关性被嵌入空间的几何结构捕获［14］ 。图2是一个 基于嵌入的实体对齐的典型框架。
以两个不同知识图谱作为输入，并根据源信息 收集种子实体对，然后在嵌入和对齐模块中输入这 两个知识图谱和种子实体对，捕捉实体嵌入的对应 关系。模块交互有两种典型的组合范式：1）嵌入模 块将两个知识图谱嵌入进不同空间中，同时对齐模 块通过种子实体对学习两个空间中的映射关系；2） 对齐模块指导嵌入模块，通过强制种子实体对中的 对齐实体具有非常相似的嵌入，使得两个知识图谱 被表示到一个统一空间中。最后，通过学习到的嵌 入表示来测量实体相似性。
嵌入模块（embedding module）试图将知识图谱 嵌入到低维空间中。根据三元组的类型，将嵌入模型分为两类：关系嵌入与属性嵌入。前者采用关系 学习技术捕捉知识图谱结构，后者利用实体的属性 三元组信息。关系嵌入主要有 3 种实现方式：基于 三元组的嵌入能够捕捉关系三元组的局部语义（例 如 TransE）、基于路径的嵌入则是利用了跨越路径的 关系间的长程依赖信息（例如 IPTransE、RSN4EA）、 基于邻居的嵌入主要利用实体之间的关系构成的子 图结构（例如 GCN）。一些方法使用属性嵌入增强 实体之间的相似性度量，属性嵌入有两种方式：属性 相 关 性 嵌 入 主 要 考 虑 属 性 间 的 相 关 性（例 如 JAPE）、字面量嵌入将字面量值引入到属性嵌入中 （例如 AttrE）。
对齐模块（alignment module）使用种子实体对 作为训练数据来捕捉实体嵌入表示的相关性，其中 两个关键是选择何种距离度量方式以及设计何种对 齐推断策略。距离度量方式较多，其中余弦距离、曼 哈顿距离和欧几里得距离等被广泛使用。针对对齐 推断策略，目前几乎所有的方法都采用贪心搜索方 式，即为每一个实体依据度量方式选择距离最短的 实体作为推断的对齐实体。
而在交互模块（interaction between modules），有 4种典型的组合模式用于调整知识图谱嵌入以便实 体对齐：嵌入空间的转换，通过种子实体对(e -1,e - 2) 学习两个嵌入空间中的转换矩阵M使得Me -1≈e - 2。 另一种组合模式称为嵌入空间校准，其将两个知识 图谱嵌入到统一空间中，通过最小化∥e -1 - e - 2 ∥ 来校准实体对中的嵌入表示。另外，参数共享模式 是嵌入空间变换的一种特殊情况，直接配置两个知 识图谱中相应实体的嵌入为相等，即e -1 = e - 2，不引 入新的损失函数，实现简化的实体对齐。而参数交 换模式是嵌入空间变换的特殊情况，通过在三元组 中交换种子实体来产生额外三元组作为监督数据。 这两种方式都没有引入新的损失函数，但后者会产 生更多三元组。基于如何处理标记和未标记数据， 学习策略可以被分为监督学习和半监督学习。监督 学习采用种子实体对作为标记的训练数据。对于嵌 入空间的转换，种子实体对用于学习转换矩阵；对于 空间校准，其被用于让对齐的实体具有相似的嵌入 表示。半监督学习会在训练阶段使用未标记数据， 例如自我学习和协同学习。前者迭代地选出新的实 体对补充进种子实体对中，后者通过组合两个学习 模型，交替增强彼此的对齐能力。
2.3 知识计算技术
在进行军事领域知识图谱构建时，针对军事领 域复杂关系的问题，一些传统方法可能在实体向量化的过程中无法充分保留原有的语义信息，导致在 知识推理过程中存在信息丢失的问题，这可能会影 响推理结果的准确性；并且这些方法无法很好地处 理军事领域知识图谱中的多对多关系，或者在处理 多对多关系时存在局限性，这导致在推理过程中忽 略了一些重要的关联关系；此外，这些方法难以充分 利用知识图谱中的序列信息，尤其是对于长期依赖 关系的学习能力较弱，这导致在推理过程中无法充 分挖掘序列间的依赖关系，从而影响了推理结果的 准确性和完整性。
因此，本文针对军事实体及实体间关系，提出一 种基于 LSTM 序列增量学习的知识推理模型，用以 推测军事领域知识图谱中各个实体间潜在的关联 关系。
该模型一共包括了以下 4层：输入层，即三元组 向量化层、LSTM 序列增量学习层、序列特征组合层 以及输出层，图3为该模型结构示意图。
本文采用基于 TransR 的多语义三元组向量化 层作为输入层。其主要工作是将军事领域知识图谱 当中描述实体-关系的三元组，R，Ej>嵌入到低维 空间中。军事领域的知识图谱中存在着多对多且语 义不同的关系，TransR 模型可以处理不同实体拥有 不同语义空间的问题，符合军事知识图谱中实体关 系的特点。在 TransR 模型中，首先将实体向量投影 至关系空间中，以区分实体空间中相似度较高的实 体，并将实体和关系嵌入至低维向量空间。TransR 模型在TransE模型的基础上增加了实体向量对关系 空间的投影操作，建立从头实体至尾实体的转换关 系，使得知识图谱中实体的多对多关系得到了更加 精确的向量化表示，从而更好地适应了军事领域复 杂关系的处理需求。
这一步骤利用了 TransR 模型对实体和关系进 行投影，以区分不同语义空间中的实体和关系，从而 更好地保留了原有的语义信息。相比简单向量化方 法，这种特征融合能力更强，有助于更准确地捕捉实 体间的关联关系。
在 LSTM 学习层中，使用了递归神经网络模型 LSTM，它是一种可以学习长期依赖信息的神经网 络，其输入数据是带有序列性质的数据向量。军事 领域知识图谱经过 TransR 模型向量化之后输出为 三元组向量，然后将三元组向量作为 LSTM 的输入， 这样做可以尽量保留数据的原有语义信息。经 TransR 后的三元组与 LSTM 模型叠加增强作用，为 记忆单元提供了丰富的序列化历史信息，从而可以 充分地挖掘序列间的依赖信息。为保存历史信息， LSTM 中有 3 个门：输入门、输出门和遗忘门。输入 门主要是用于控制输入进来的数据对记忆单元状态 值产生的影响，输出门则用于控制记忆单元状态值 的输出，遗忘门控制历史数据信息带来的影响。同 时该模型采用交叉熵函数作为损失函数，用来反馈 调整 LSTM 模型中的参数。由于军事领域的知识图 谱通常包含大量的历史信息和事件序列，利用LSTM 模型能够充分挖掘序列间的依赖关系，提高了知识 推理的准确性和鲁棒性。
在序列特征组合层中，采用增量形式代替简单 的前后连接过程：当后一个向量与前一个向量在同 一位置有值时，增量相加以强化特征，并将强化后的 向量作为下一个的输入。完成特征组合任务后，送 入输出层进行结果预测。
3 基于嵌入的实体对齐方法实验
目前军事领域的知识图谱资源稀少，且由于业 务需求的不同，图谱知识体系结构差异较大，无法直 接加以运用；其次，军事事件语义知识稀疏，存在大 量属性关系缺失，难以满足决策需求，需要丰富的领 域知识和有效的知识融合方法才能对事件知识整合 与运用［15-17］ ；同时，军事实体或者事件间存在更深层 次的语义关联，需要相应的挖掘策略与知识融合方 法，以更有效地辅助军事知识图谱的完整构建。而 这些方法中，重点研究基于嵌入的实体对齐方法，并 针对军事领域的实体做了实验，验证了此方法在军 事领域知识图谱构建方向的有效性。
通过搜取百度百科和万国兵器网领域知识，完 善军事事件知识图谱知识体系，并分别进行作战实体间的知识融合，消除实体冗余，统一知识表示，扩 充实体间关系与属性匹配，以实现实体间多维度的 语义关联。从万国兵器网爬取结构化武器装备实例 数据作为知识输入构建标准作战目标实体，表 1 给 出了其中10种武器装备的部分结构化数据，主要包 含武器装备的名称、类型、原产国以及各方面性能数 据等，且将所有数据存储在 Neo4j 图数据库中。
根据武器装备信息扩展军事事件知识图谱作 战目标类概念知识体系，其概念、属性定义如表 2 所示。
对于表中各类型实体，给定待对齐要素实体和 标准实体，认为每一个要素实体均能找到与之匹配 的标准实体。记总的待对齐实体数量为 N，方法得 到对齐实体总数为 G，其中正确结果数量记为M，错 误结果数量记为 M'。使用精确率P（precision）、召回 率 R（recall）和 F1值作为评价指标进行方法评估，其 计算方法如式（2）~式（4）所示：
图 4 为各项评价指标随相似度阈值 δ 的变化趋 势，从图中可以看出，阈值 δ = 0.75 时 F1 值达到峰值 76.82%，此时精确率P = 76.25%，召回率R = 73.14%， 因此，确定阈值δ为0.75。作战目标实体对齐仅依据 名称信息，而部分武器装备名称之间差异很小，且标 准武器装备实体覆盖有限，使得对齐结果相较于其 他要素略微下降。
为了证明本文提出的基于嵌入的实体对齐方法 的有效性，本文在上述数据集上进行了实体对齐方 法的对比实验。在对比基线模型选择上，本文选取 了基于机器学习的方法支持向量机模型（SVM）、一 般的嵌入方法 TransH 与 TransD 以及图嵌入方法 ConvE。同样地，本文选取准确率 P、召回率 R 以及 F1得分作为方法的性能指标。
通过对比实验的结果可以看出，本文的实体对 齐方法在军事领域数据集上的效果优于目前传统的
实体对齐方法，验证了本文模型在军事领域实体对 齐任务上的有效性。通过实验可以看出，对军事领 域武器装备实体进行了知识融合，消除了知识图谱 内部实体冗余，确切实现了实体多维度语义关联。
4 结论
随着军队信息化建设的深入开展与大力研究， 新型的人机协同指挥信息系统已经逐步成为作战指 挥不可或缺的基础平台，海量面向军事装备与战场 态势的数据信息，对装备调整、军事指挥、情报分析 以及决策支持等需求都具有非常重要的价值。但 是，目前的信息智能化建设基本上还滞足于辅助“劳 力”阶段，而不是辅助“智能”阶段，对于智能化程度 要求比较高的问题——军事装备等知识的存储、管 理和调整，以及对于战场态势的充分理解、作战时期 准确的决策辅助或者日常操演的队伍间对抗推演 等，暂无比较好的解决方法。
构建一个特殊的军事领域知识图谱，不止是一 种能够帮助提高作战中的辅助决策水平的关键技 术，更是作战指挥智能化发展的坚实基石。本文重 点提出了军事领域知识图谱的构建架构，还分别介 绍了构建过程中面向军事领域的知识全生命周期中 各个环节的重难点，进一步详细分析了其中知识融 合与知识计算等重要步骤涌现出的适用于特殊领域 的关键技术，这些都能为军事领域知识图谱的整体 设计和实际构建提供坚实的理论基础和有效的方法 支撑。
