低下，不易融合扩展。需要进步深入探索联合作战态势实体知识的非形式化表示方法，将联合作战态势知识表示为机器易于计算学习和处理的形式，为智能指挥决策提供坚实的基础知识支撑。联合作战态势实体知识表示学习是面向联合作战态势知识中的实体及其关系知识进行表示学习，将联合作战态势知识中的实体属性及其关联关系表示为连续向量空间中的稠密实值向量，使得机器可以高效学习处理和运用各种联合作战态制，对多视图的权重信息进行整合，将多层网络嵌入到鲁棒性最高的单个协作嵌入向量中。模型在保持关系特性的基础上，结合不同类型的关系信息，对每个节点分别提出了种高维的通用嵌入和种低维的附加嵌入方法。该模型可以基于统的网络嵌入模型，联合学习多个关系嵌入向量。模型研究了保存和协作对网络表示学习的影响，探索了同时建模来获得更好的嵌入质量的可行性。该模型证实了保存和协作对于多层网络嵌入的有效性和重要性。模型提出了个支持直推学习和归纳学习的通用框架和，并将网络实体的属性考虑在内进行图嵌入学习。该模型的基本嵌入和属性嵌入可以在不同类型的实体关系中共享，而边嵌入通过自注意力机制对邻域信息进行汇聚计算。综合分析上述种嵌入模型，多层异构网络嵌入模型考虑了联合作战态势实体知识结构的多层次特征，以及实体和关系的类型多样性特征，更加符合联合将联合作战态势知识中的实体属性及其关联关系表示为连续向量空间中的稠密实值向量，使得机器可以高效学习处理和运用各种联合作战态势实体知识。其本质是在低维向量空间中对符号化的联合作战态势实体及其关系语义知识进行向量化重构，从而提高知识计算效率，实现异构信息融合，有效缓解数据稀疏带来的诸多知识计算难题，有效提升联合作战态势知识获取融合推理的性能。因此，在知识表示学习过程中保证联合作战态势知识的结构信息以及实体和关系的语义描述信息不失真，确保从离散符号向连续向量映射的准确性显得极为重要。由于联合作战态势实体知识的异构性特征和层次化特点，对于联合作战态势实体知识的表示学习主要存在两方面挑战是联合作战态势实体之间可能存在不同类型的连接关系，使得联合作战态势实体知识难以进行统嵌入表达是作为联合作战态势实体关系连接服从幂率分布，存在大量拥有少量邻居节点的联合作战态势实体节点，图嵌入背景下兵棋联合作战态势实体知识表示学习方法军事论文模型是种基于卷积神经网络的图结构数据半监督学习方法，受图谱卷积局部结构阶相似选择的启发，将图的结构特征和节点的特征信息共同编码进行知识表示学习。摘要为将基于离散符号的兵棋联合作战态势实体知识表示为机器更加容易学习处理和应用的形式，根据兵棋联合作战态势实体知识的特点，提出种基于图嵌入的兵棋联合作战态势实体知识表示学习方法。该方法采用基于元路径的多层异构图嵌入模型，对想定场景中的兵棋联合作战态势实体及其关系知识进行表示学习，将其映射为连续向量空间中的稠密实值向量，从而有效揭示兵棋联合作战态势实体之间的全局隐含特征，为大规模联合作战态势知识的获取融合与推理奠定良好基础。实验结果表明，基于图嵌入的兵棋联合作战态势实体知识表示学习方法针对性强，对于评估指标提升较大，为复杂兵棋联合作战态势知识的表示学习提供了可行范例。关键词元路径兵棋图嵌入知识表示学习联合作战态势知息和实体语义关联信息，从而有效提升基于离散向量的联合作战态势知识的表征能力。实验结果表明，在联合作战态势实体关系推理任务中，本文提出的算法性能更佳。图嵌入概述图嵌入也称网络嵌入或图表示学习。其通过将信息网络嵌入低维向量空间，实现网络实体分类关系推理和社团检测等任务。基于图嵌入的兵棋联合作战态势实体知识表示学习是下游深度学习和多关系型联合作战大数据挖掘任务的基础。根据图的网络结构特性不同，目前的图嵌入模型研究主要集中在同质网络嵌入异构网络嵌入和多层异构网络嵌入个方面。同质网络嵌入同质网络中互相连接的实体和关系类型倾向于具有更多的相似性。模型采用无监督特征学习技术，通过随机游走的方式，从信息网络中的内容，将兵棋联合作战态势实体间关系定义为侦察情报关系指挥控制关系联合打击关系信息保障关系和后装保障关系类。然而，在这些不同类型的联合作战态势实体关系中，每种关系的实体关联元路径长度并不致。以联合打击关系元路径模式为例，空中飞行中队通过选择的作战飞机类型及其挂载类别，选择挂载相应的攻击性武器，并通过空空武器杀伤指数定义表对相应空中飞行目标类别的机型实施打击。但对后装保障关系元路径模式，要对攻击性武器实施保障，首先应确定保障的后勤物资类型，然后实施相应的保障。因此，本节在每种关系内部采用变长元路径模式描述实体之间的语义联系。基于马尔科夫过程，在步骤时基于元路径模式随机游走的转移概率定义为其中，∈表示与实体节点关系类型为的邻居。基于元路径的随机游走策略可以确保不同类型节点之间的语义联系，从而将更加合适的实体节点序列输入异构模对于每个实体节点在实体关系类型情况下的阶边嵌入向量，由实体节点邻居的边嵌入向量聚合而成，表示为其中表示与实体节点关系类型为的邻居节点集合。模型中，每个关系类型为的实体节点初始边嵌入向量为实体属性的函数，表示为，。其中是关系类型为的实体节点的特征转换函数，边嵌入向量的聚合函数采用平均聚合而成。因此，公式可进步表示为其中，为激活函数。将实体节点的所有阶边嵌入向量Κ表示为，。最终，聚合成实体节点的维边嵌入向量其中，表示边嵌入向量的维度，表示与实体节点连接的边类型的数量。根据以上分析，计算汇聚后的边类型为的兵棋联合作战态势实体节点的嵌入向量可得其中，表示实体节点的基本嵌入向量。为超参数，表示马逊电子类产品数据集进行对比分析。该数据集中包含了电子类产品的属性信息商品共现关系信息和同时购买关系信息。其中，商品的属性信息主要包括价格品牌和种类等。数据集的统计情况如表所示。定义多层异构兵棋联合作战态势实体知识图谱嵌入是给定兵棋联合作战态势异构实体知识图谱，在不同实体关系类型情况下，学习不同类型态势实体在低维连续向量空间中的实值嵌入向量，即对每种不同的实体间关系类型，通过映射函数ℝ学习实体集的低维嵌入向量∈ℝ。其中，≪，表示实体节点的嵌入向量。模型框架如图所示，本节重点介绍基于元路径的多层异构兵棋联合作战态势实体知识图谱嵌入模型框架。该模型框架主要由两部分组成，分别是兵棋联合作战态势实体知识表示学习模型和异构模型。前者通过汇聚生成态势实体的低维嵌入向量捕捉联合作战态势实体知识图谱的网络拓扑结构信息实体属性信息和兵棋联合作战态势实体知识表示学习方法军事论文。定义多层异构兵棋联合作战态势实体知识图谱嵌入是给定兵棋联合作战态势异构实体知识图谱，在不同实体关系类型情况下，学习不同类型态势实体在低维连续向量空间中的实值嵌入向量，即对每种不同的实体间关系类型，通过映射函数ℝ学习实体集的低维嵌入向量∈ℝ。其中，≪，表示实体节点的嵌入向量。模型框架如图所示，本节重点介绍基于元路径的多层异构兵棋联合作战态势实体知识图谱嵌入模型框架。该模型框架主要由两部分组成，分别是兵棋联合作战态势实体知识表示学习模型和异构模型。前者通过汇聚生成态势实体的低维嵌入向量捕捉联合作战态势实体知识图谱的网络拓扑结构信息实体属性信息和实体关系信息，其结果作为异构模型的输入学习捕捉态势实体知识的语义信息。图多层异构兵棋联合作战态势实体知识图谱嵌入别表示类型边的维和维训练参数，上标表示向量或矩阵的转臵运算。由此，可以进步得到模型首先采用基于元路径的随机游走方法汇聚生成兵棋联合作战态势实体知识的节点序列，然后，采用异构模型学习序列中实体知识节点的嵌入向量。具体而言，从边类型的角度描述兵棋联合作战态势知识图谱时，生成子图，进而可以从中提取边类型为的元路径模式。其中，游走的元路径模式通过预先定义完成，表示该元路径模式的长度。然而，由于兵棋联合作战态势实体的关系复杂性特征，本节基于联合作战体系的构建内容，将兵棋联合作战态势实体间关系定义为侦察情报关系指挥控制关系联合打击关系信息保障关系和后装保障关系类。然而，在这些不同类型的联合作战态势实体关系中，每种关系的实体关联元路径长度并不致。以联合打击关系元路径模式为例，空中飞行中队通过选择走过程，通过综合考虑深度优先和广度优先搜索，实现了对邻居实体的有效探索，从而学习到了更加丰富的实体知识表示信息。模型为应对图嵌入知识表示的高度非线性结构特征保持和网络稀疏难题等挑战，采用半监督深度学习模型，通过设计合理的目标函数保留网络结构的局部和全局信息，并对稀疏网络具有鲁棒性。图神经网络是种基于图结构的深度学习模型，其目标是学习包含邻居信息的节点状态嵌入向量。模型是种基于卷积神经网络的图结构数据半监督学习方法，受图谱卷积局部结构阶相似选择的启发，将图的结构特征和节点的特征信息共同编码进行知识表示学习。对于每个实体节点在实体关系类型情况下的阶边嵌入向量，由实体节点邻居的边嵌入向量聚合而成，表示为其中表示与实体节点关系类型为的邻居节点集合。模型中，每个关系类型为的实体节点初始边嵌入向量为实体属性的图嵌入背景下兵棋联合作战态势实体知识表示学习方法军事论文实体关系信息，其结果作为异构模型的输入学习捕捉态势实体知识的语义信息。图多层异构兵棋联合作战态势实体知识图谱嵌入模型框架兵棋联合作战态势实体知识表示学习模型主要由部分组成，分别是基本嵌入向量生成模型实体节点属性向量生成模型和边嵌入向量生成模型。个模型的输出结果汇聚生成联合作战态势实体嵌入向量。对于基本嵌入向量生成