基于用戶畫像的軍事情報(bào)推薦技術(shù)

李 帥，李海霞，金 山，孫武子，李 勇

（1.北方自動控制技術(shù)研究所，太原 030006；2.解放軍31434 部隊(duì)，沈陽 110000）

0 引言

面對不同作戰(zhàn)任務(wù)需求，傳統(tǒng)的軍事情報(bào)推送往往采用訂閱分發(fā)的方式，情報(bào)服務(wù)系統(tǒng)采用不加選擇、全部展現(xiàn)的方式下發(fā)戰(zhàn)場軍事情報(bào)信息［1］。而隨著現(xiàn)代戰(zhàn)場軍事情報(bào)獲取能力的快速提高，情報(bào)用戶能夠從作戰(zhàn)環(huán)境中獲得海量的軍事情報(bào)資源。軍事情報(bào)呈現(xiàn)出高動態(tài)性、多源異構(gòu)性、交叉性等特點(diǎn)，作戰(zhàn)任務(wù)中需要情報(bào)用戶短時(shí)間內(nèi)作出正確的決定，而高價(jià)值的情報(bào)信息又隱藏在大量的軍事情報(bào)資源中，單純依靠訂閱分發(fā)的方式，存在著局限性，無法解決情報(bào)信息過載與高價(jià)值情報(bào)信息缺乏的問題［2］。

隨著電子商務(wù)的發(fā)展，在民用領(lǐng)域，推薦技術(shù)的理論研究與應(yīng)用已經(jīng)十分成熟。但是在軍事領(lǐng)域，我軍的情報(bào)服務(wù)系統(tǒng)在布局上基本是條塊分割，自成體系，情報(bào)保障方式遵循預(yù)設(shè)的路徑［2］，不能根據(jù)作戰(zhàn)任務(wù)推進(jìn)形成動態(tài)情報(bào)保障能力，并且推薦技術(shù)還存在著理論應(yīng)用方面的問題，例如：用戶數(shù)據(jù)獲取難、保密性以及時(shí)效性要求高等［3］。

針對這些問題，本文提出了基于用戶畫像的軍事情報(bào)推薦技術(shù)（UTCF），通過提取用戶特征標(biāo)簽，深入研究實(shí)時(shí)用戶畫像建模，對情報(bào)用戶進(jìn)行相似度計(jì)算，避免了數(shù)據(jù)稀疏性問題，優(yōu)化了傳統(tǒng)的協(xié)同過濾技術(shù)（UserCF），將有助于提高情報(bào)產(chǎn)品的精確保障能力，加速各級各類指揮員決策過程，從而提升體系作戰(zhàn)的能力［4］。

1 基于鄰域的推薦技術(shù)

目前，應(yīng)用最廣泛的推薦技術(shù)是基于鄰域的推薦技術(shù), 將其應(yīng)用至軍事情報(bào)服務(wù)領(lǐng)域，可分為兩類，一類是基于用戶的協(xié)同過濾算法（UserCF）,另一類是基于情報(bào)的協(xié)同過濾算法（ItemCF）,本文采用基于用戶的協(xié)同過濾算法。協(xié)同過濾算法的基本原理是在進(jìn)行情報(bào)推薦服務(wù)過程中，根據(jù)情報(bào)用戶特征來匹配情報(bào)資源，根據(jù)用戶之間的相似度或者情報(bào)之間的相似度實(shí)現(xiàn)對目標(biāo)用戶的情報(bào)推薦［5］。

1.1 基于用戶的協(xié)同過濾算法

通過計(jì)算目標(biāo)用戶與其他用戶的相似度進(jìn)而確定鄰域集合，最后實(shí)現(xiàn)情報(bào)推薦?；谟脩舻膮f(xié)同過濾算法分為兩個(gè)步驟：

Step 1 獲取與目標(biāo)用戶情報(bào)需求相似的用戶集合；

Step 2 找到與目標(biāo)用戶相似度較高的用戶，將滿足相似用戶情報(bào)需求，以及目標(biāo)用戶無交互行為的情報(bào)推薦給目標(biāo)用戶。

1.1.1 用戶相似度計(jì)算

相似度計(jì)算方法是基于用戶的協(xié)同過濾算法的重中之重，該方法的準(zhǔn)確性最終將影響推薦結(jié)果的質(zhì)量。目前，相似度計(jì)算方法一般使用余弦相似度、Jaccard 相似度、Pearson 相似度等。

1.1.2 情報(bào)推送

基于用戶的協(xié)同過濾算法根據(jù)與目標(biāo)用戶相似度較高的k 個(gè)用戶對某情報(bào)的交互行為，進(jìn)而判斷目標(biāo)用戶對該情報(bào)的需求程度。

1.2 基于情報(bào)的協(xié)同過濾算法

基于情報(bào)的協(xié)同過濾算法與基于用戶的協(xié)同過濾算法原理相似，通過計(jì)算目標(biāo)情報(bào)與其余情報(bào)的相似度確定情報(bào)鄰域集合，最終實(shí)現(xiàn)情報(bào)推薦，分為以下兩個(gè)步驟：

Step 1 計(jì)算情報(bào)庫中情報(bào)與用戶需求情報(bào)之間的相似度；

Step 2 通過分析情報(bào)之間的相似度和用戶的歷史行為，為用戶生成情報(bào)推薦列表。

1.2.1 情報(bào)相似度計(jì)算

計(jì)算情報(bào)相似度的算法較多，如式（4）所示：

1.2.2 情報(bào)推送

得到情報(bào)之間的相似度后，通過式（5）計(jì)算用戶u 對情報(bào)j 的評分，進(jìn)一步根據(jù)評分，設(shè)置閾值，實(shí)現(xiàn)情報(bào)的過濾推薦。

2 用戶畫像技術(shù)

用戶畫像（user profiling）是建立在一系列真實(shí)數(shù)據(jù)之上的目標(biāo)用戶模型，即根據(jù)用戶的屬性以及各類特征，抽象出相應(yīng)的標(biāo)簽，賦予相應(yīng)的權(quán)重，擬合而成的虛擬形象。對于用戶畫像的理解一般有兩種，一種是針對目標(biāo)群體的最普遍特征的用戶形象［6］；另一種是通過分析用戶的固有屬性以及行為標(biāo)簽等生成用戶畫像標(biāo)簽集合［7］。本文研究第2 類用戶畫像技術(shù)，以軍事用戶的各類標(biāo)簽信息構(gòu)建用戶畫像。

2.1 軍事用戶標(biāo)簽體系

用戶畫像的主要目的是為用戶打合適的特征標(biāo)簽，標(biāo)簽代表用戶的特征，權(quán)重代表用戶的特征大小。與普通用戶相比，軍事用戶在軍事作戰(zhàn)期間，受到更多其自身的職級限制以及作戰(zhàn)任務(wù)等約束，關(guān)注的情報(bào)大多與使命任務(wù)有關(guān)，因此，軍事用戶畫像需要多角度、多維度的標(biāo)簽體系來全方位、多層次刻畫用戶。如圖1 所示，用戶畫像的特征標(biāo)簽大致可以分為3 個(gè)方面：自然標(biāo)簽、使命標(biāo)簽與行為標(biāo)簽。自然標(biāo)簽指用戶自身的基本信息，包括用戶性別、用戶學(xué)歷、人格特征、決策風(fēng)格等。使命標(biāo)簽指用戶由于自身特殊身份和使命任務(wù)而具備的屬性指標(biāo)［8］，包括用戶等級關(guān)系、使命類型、角色類型、涉密權(quán)限以及參與歷史演習(xí)訓(xùn)練的次數(shù)等，其中，職級是由我軍作戰(zhàn)指揮體系劃分。使命類型可以分為軍事作戰(zhàn)和非軍事行動，軍事行動包括戰(zhàn)略威懾、火力打擊、迂回撤退等；角色類型可以分為指揮員、作戰(zhàn)參謀、戰(zhàn)斗人員以及后勤人員等、涉密權(quán)限則包括絕密、機(jī)密、秘密和非密。行為標(biāo)簽包括用戶對情報(bào)信息的點(diǎn)擊、評分、訂閱等。

圖1 軍事用戶標(biāo)簽體系Fig.1 Label system of military users

2.2 用戶自然特征的獲取

軍事情報(bào)用戶主要指的是軍事指揮員，用戶的自身人格性格與指揮決策風(fēng)格對軍事決策的影響十分重要。因此，本文將選取人格特征、指揮決策特征以及性別特征3 種特征作為軍事情報(bào)用戶的自然特征。

2.2.1 基于五類人格的人格特征

用戶自身人格特征的獲取，研究表明，用戶的人格特征與行為和表現(xiàn)有強(qiáng)烈的相關(guān)性［9］，獲取用戶的人格能夠更好地去了解用戶，本文采用大五人格理論的人格模型表征用戶人格畫像。大五人格模型將用戶人格分為外向性、情緒性、開放性、宜人性和盡責(zé)性5 類特征模型［10］，用戶的大五人格測評由自陳式量表統(tǒng)計(jì)得，使用5 個(gè)問題衡量5 個(gè)維度的指標(biāo)。先計(jì)算用戶在5 個(gè)維度方面的標(biāo)準(zhǔn)分，在進(jìn)行歸一化處理，最終輸出用戶的大五人格特征（BFP）。

2.2.2 用戶決策特征的獲取

用戶決策是為了達(dá)到一定軍事目標(biāo)而采取的行為措施或行動方案，不同的決策風(fēng)格會影響到用戶最終的決定，進(jìn)而影響到整個(gè)軍事作戰(zhàn)的走向，獲取用戶決策風(fēng)格有助于更準(zhǔn)確地刻畫用戶畫像，為用戶提供情報(bào)推薦。使用通用決策風(fēng)格測試題，結(jié)合自陳式量表量化表征用戶的決策風(fēng)格（命令型、分析型、概念型和行為型）［9］，最終輸出用戶的決策風(fēng)格類型（DST）。

2.3 用戶特征權(quán)重的獲取

用戶特征的權(quán)重計(jì)算是用戶畫像的關(guān)鍵，本文通過對用戶行為標(biāo)簽中的情報(bào)評分行為進(jìn)行分析，采用類似Bobadilla 提出的基于奇異性的相似度量模型［11］，計(jì)算獲取用戶各項(xiàng)特征標(biāo)簽的奇異值權(quán)重，用于構(gòu)建用戶-特征矩陣，假設(shè)用戶-情報(bào)評分矩陣，如下頁表1 所示。

表1 用戶-情報(bào)評分矩陣Table 1 User-intelligence scoring matrix

通過軍事用戶的注冊信息獲取用戶的自然標(biāo)簽，以軍事用戶的性別標(biāo)簽為例，研究軍事用戶性別對于情報(bào)推薦的影響，假設(shè)軍事用戶的性別已知，將用戶的性別標(biāo)簽與評分矩陣相結(jié)合，獲取情報(bào)信息的特征。如表2 所示，結(jié)合性別標(biāo)簽得到用戶-性別矩陣，其中，M 代表男性，F(xiàn) 代表女性。

表2 用戶-性別矩陣Table 2 User-gender matrix

將Mi定義為對情報(bào)i 有過評分的男性用戶集合，F(xiàn)i定義為對情報(bào)i 有過評分的女性用戶集合。根據(jù)表2 可得：M1= {1，2，3}；M2= {2，3}；M3={1，2}；M4={1，2，3}；M5={1，2，3}。F1={4，5}；F2={4，5}；F3={φ}；F4={5}；F5={5}。定義為情報(bào)q 的男性化指數(shù)，定義為情報(bào)q 的女性化指數(shù)。card（Mq）是對情報(bào)q 評分的男性用戶數(shù)量；card（Fq）是對情報(bào)q 評分的女性用戶數(shù)量；card（Uq）是對情報(bào)q 評分的所有用戶的數(shù)量。對情報(bào)q 評分的男性用戶越多，指數(shù)越高；對情報(bào)q 評分的女性用戶越多，則越高。

結(jié)合表1、表2 計(jì)算得出：

如圖2 所示，User1 的性別用戶畫像可以直觀地理解為對男性化情報(bào)的偏好程度為76%，對女性化情報(bào)的偏好程度為24%。

圖2 User1 基于情報(bào)性別特征的偏好圖Fig.2 Preference diagram of User1 based on gender characteristics of information

如表3 所示，可得到用戶-性別特征矩陣，同理可推廣至用戶其余特征下的情報(bào)偏好，最終得到用戶的完整用戶畫像，解決了用戶-情報(bào)矩陣的稀疏性問題。

表3 用戶-性別特征矩陣Table 3 User-gender characteristic matrix

2.4 軍事任務(wù)時(shí)間上下文效應(yīng)

在軍事作戰(zhàn)任務(wù)期間，情報(bào)具有很強(qiáng)的時(shí)效性，隨著作戰(zhàn)任務(wù)進(jìn)程的變化，用戶對于情報(bào)的需求也在實(shí)時(shí)發(fā)生變化。當(dāng)前情報(bào)信息顯然比用戶很久之前瀏覽的情報(bào)信息更加接近用戶當(dāng)下的需求，目前解決時(shí)間上下文偏好誤差的方法主要有3 種方法：時(shí)間窗口法、遺忘函數(shù)法以及混合算法。本文將通過構(gòu)造遺忘函數(shù)來提高情報(bào)推薦的準(zhǔn)確率。

在得到時(shí)間戳信息（用戶對情報(bào)產(chǎn)生行為的時(shí)間）后，引入遺忘函數(shù)式（16），α 為時(shí)間衰減系數(shù)；t0為用戶u 對情報(bào)最近的一次評分行為時(shí)間；tu，q為用戶u 對情報(bào)q 評分行為的時(shí)間。|t0-tu，q|越小，用戶的特征標(biāo)簽越貼近用戶的真實(shí)需求。

使用式（17）計(jì)算用戶在不同的用戶標(biāo)簽下的情報(bào)偏好。

3 基于用戶畫像的協(xié)同過濾算法

通過用戶畫像建模將稀疏用戶- 情報(bào)評分矩陣轉(zhuǎn)化為稠密的用戶-特征矩陣，使用用戶-特征矩陣作為UTCF 算法相似度計(jì)算的數(shù)據(jù)輸入。

3.1 相似度計(jì)算

3.2 用戶評分預(yù)測

通過3.1 節(jié)的相似度計(jì)算，得出相似用戶與目標(biāo)用戶的相似度，根據(jù)相似用戶對于軍事情報(bào)的評分，采用k 近鄰法選擇與目標(biāo)用戶相似度較高的k個(gè)用戶。使用改進(jìn)的權(quán)重聚合（devison-from-mean，DFM）方法，實(shí)現(xiàn)用戶對新情報(bào)的評分預(yù)測［12］。如式（19）所示表示用戶u 對情報(bào)評分的均值；S（u，k）表示與用戶u 相似度較高的k 位其他用戶；k 的選值對最終推薦結(jié)果的影響較大，需根據(jù)不同的數(shù)據(jù)，最后使用Top-N 推薦方式向用戶推薦情報(bào)。

4 試驗(yàn)與分析

4.1 試驗(yàn)場景仿真

本實(shí)驗(yàn)為了驗(yàn)證上文中提出的算法，模擬某爭議地區(qū)發(fā)生沖突，我軍某裝甲分隊(duì)對敵某重點(diǎn)軍事目標(biāo)實(shí)施偵察打擊，采用某項(xiàng)目中模擬的200 條態(tài)勢情報(bào)數(shù)據(jù)，包括敵方目標(biāo)態(tài)勢情報(bào)信息與我方平臺信息，如下頁表4 所示。目標(biāo)態(tài)勢情報(bào)信息包括：目標(biāo)時(shí)間戳、目標(biāo)編號、目標(biāo)數(shù)量、目標(biāo)屬性、目標(biāo)方位、目標(biāo)速度、目標(biāo)威脅等級、目標(biāo)毀傷等級和目標(biāo)告警類型等分量；我方平臺目標(biāo)信息依靠仿真獲取平臺慣導(dǎo)信息，如表5 所示，平臺情報(bào)信息包括：平臺時(shí)間戳、平臺數(shù)量，平臺編號、平臺屬性、平臺位置、平臺速度、平臺朝向和平臺編組信息等。

表4 目標(biāo)情報(bào)信息Table 4 Target intelligence information

表5 平臺情報(bào)信息Table 5 Platform intelligence information

本次試驗(yàn)用戶設(shè)定某裝甲車編組，包括：作戰(zhàn)坦克、支援戰(zhàn)車、指揮車、技術(shù)保障車、戰(zhàn)斗保障車以及無人戰(zhàn)車6 種車型；席位設(shè)置有車長席、指揮員席、炮手席、情報(bào)處理席、無人操作手席、衛(wèi)勤保障席、戰(zhàn)斗控制席8 種席位，如表6 所示，本實(shí)驗(yàn)共仿真收集了16 名用戶標(biāo)簽信息，結(jié)合用戶對于歷史態(tài)勢情報(bào)的評分，得到情報(bào)用戶的用戶畫像。

表6 平臺情報(bào)信息Table 6 Platform seat information

4.2 評測標(biāo)準(zhǔn)

本文采用平均絕對誤差（mean absolute error，MAE）來衡量UTCF 算法的性能，通過計(jì)算情報(bào)預(yù)測評分與測試集情報(bào)評分之間的偏差來度量預(yù)測準(zhǔn)確度。MAE 值越小，表明UTCF 算法推薦的準(zhǔn)確度越高，如式（20）所示，rui表示用戶u 對于態(tài)勢情報(bào)的實(shí)際評分；r^ui表示用戶u 的預(yù)測評分；T 代表態(tài)勢情報(bào)集合。

4.3 試驗(yàn)過程與結(jié)果

綜合仿真數(shù)據(jù)，本文設(shè)置了以下實(shí)驗(yàn)步驟：

Step 1 基于用戶行為的用戶畫像建立，如下頁表7 所示。選取用戶的性別、職級、涉密程度、人格特征、決策風(fēng)格進(jìn)行量化表征，作為用戶畫像初始輸入標(biāo)簽，將用戶評分?jǐn)?shù)據(jù)分為訓(xùn)練集和測試集，分別占比80%和20%，進(jìn)行交叉驗(yàn)證。

表7 用戶特征label 表Table 7 User characteristics label table

Step 2 結(jié)合用戶情報(bào)的評分與用戶評分時(shí)間，計(jì)算用戶特征標(biāo)簽。時(shí)間衰減參數(shù)設(shè)為0.1，以車長席位User1 為例，部分實(shí)驗(yàn)數(shù)據(jù)如表8 所示。

表8 User1 部分特征權(quán)重值Table 8 Partial feature weight values of User1

Step 3 使用用戶畫像特征矩陣進(jìn)行用戶相似度計(jì)算，選取了作戰(zhàn)坦克的車長席位User1 和指揮員席位User8 為情報(bào)精準(zhǔn)保障用戶，仿真計(jì)算結(jié)果如圖3、圖4 所示。

圖3 各席位與User1 的相似度Fig.3 The similarity between each seat and User1

圖4 各席位與User8 的相似度Fig.4 Similarity between each seat and User8

通過實(shí)驗(yàn)可知，同車中的各席位之間的相似度較高，對于目標(biāo)態(tài)勢情報(bào)和平臺態(tài)勢情報(bào)需求較為相似，符合經(jīng)驗(yàn)分布。指揮員席位與指揮車車長席位相似度較高，其余各車席位與指揮員相似度普遍較低。

Step 4 選取User1 車長席位，對其余用戶相似度進(jìn)行排序，選取N 近鄰值，輸出用戶對于測試集的情報(bào)需求評分。并計(jì)算MAE 值，結(jié)果如圖5 所示。

圖5 UTCF 和UserCF 在不同Neighbor 下的MAE 值Fig.5 MAE values for UTCF and UserCF in different neighbors

如圖5 所示，當(dāng)Neighbor 數(shù)量處于5～12 區(qū)間內(nèi)，UTCF 算法性能優(yōu)于UserCF 算法，能夠?qū)崿F(xiàn)軍事情報(bào)的精準(zhǔn)推薦，這是由于UTCF 算法解決了UserCF 算法的數(shù)據(jù)稀疏性問題，使得隨著Neighbor 數(shù)量的增加，UTCF 算法推薦性能優(yōu)于UserCF算法。

5 結(jié)論

本文研究了軍事情報(bào)保障服務(wù)中的情報(bào)推薦技術(shù)。結(jié)合軍事用戶的自然標(biāo)簽、使命標(biāo)簽和行為標(biāo)簽等，分析情報(bào)用戶作戰(zhàn)過程中的情報(bào)需求特征，引入時(shí)間衰減函數(shù)，建立可動態(tài)更新的用戶畫像，從而提出了UTCF 推薦算法；采用仿真實(shí)驗(yàn)，模擬推導(dǎo)、預(yù)測用戶的潛在情報(bào)需求。仿真實(shí)驗(yàn)表明，UTCF 算法符合實(shí)際情況，可以滿足軍事情報(bào)用戶的情報(bào)保障需求，實(shí)現(xiàn)軍事情報(bào)的精準(zhǔn)推薦。