面向军事信息服务的智能推荐技术

王中伟,裘杭萍,孙 毅,寇大磊

(中国人民解放军陆军工程大学,江苏 南京 210007)

摘 要: 信息技术的飞速发展带来了信息爆炸问题,为有效解决军事信息的精准服务问题,首先分析了军内外目前可行解决方法,分别从用户建模技术、对象建模技术和推荐算法方面进行了详细的可行性技术分析。针对军事用户的特点,提出了一种基于ISM(Interpretative Structural Modeling Method)方法的军事文本信息智能推荐技术。并采用分层思想,对推荐系统进行了架构设计。最后,以美军“沙漠风暴”军事文本内容推荐为例,构建了军事用户角色的特征层次模型,实现了情报信息的智能推荐,解决了新用户推荐的“冷启动”问题。实验结果验证了提出的智能推荐算法,同时表明,面向军事信息服务的智能推荐技术具有很广阔的应用前景和现实意义。

关键词: 军事信息服务;智能推荐;对象建模;协作过滤

随着信息技术的飞速发展,网络信息呈现出爆炸的现象,需要寻找有效的方法来解决信息的精准服务问题。而在军事领域,随着我军侦察装备的换代和通信网络的升级,军事信息的收集和获取能力大幅提高。军事信息呈现出积累快、来源广、异构性和数量大的特性。寻找相应的方法对军事信息进行快速识别筛选,并在合适的时空条件下推荐给合适的信息使用方,切实将信息优势转化为战斗力,是一个极具意义的研究课题。

目前,解决信息爆炸问题有两种主要方法:一种是搜索引擎,例如以谷歌、百度等为主的搜索引擎,可以方便用户快速检索出包含自己感兴趣关键词的内容,但其存在检索结果不准确和单一化的缺点;另一种方法是推荐技术,可以针对用户独有的特点进行个性化和多元化的推荐,是一种较为有效的解决方法。

鞠亮等基于网络环境提出并构建了军事情报信息智能获取方法和利用方式^[1];秦树鑫等提出了一种用户相关智能化搜集整合系统^[2];马建威围绕海量军事信息，利用过程中的热难点问题,主要研究了军事信息的特征捕获和军事信息资源智能挖掘与汇聚方法,为军事信息资源的精准保障提供了技术支持^[3];蔡飞以数据挖掘技术为支撑,围绕军事信息检索和查询推荐所面临的理论问题和技术难点,展开了深入研究^[4];黄震华等对基于排序的民用推荐算法进行了总结^[5];赵子慧等设计了基于用户浏览模式的新闻推荐系统^[6];Liu J等基于位置感知和个性化协同过滤算法,设计了一种Web服务推荐方法^[7]。综合看来,目前推荐技术在民用领域研究较为深入,而在军事信息服务的智能推荐研究上偏少,仅仅是针对某些具体的技术作了一些研究,没有形成系统性和整体性的研究。

1 推荐技术简介

推荐技术最早出现在电子商务领域,主要是利用电子商务网站,模拟销售员向客户提供购买商品建议的技术。推荐技术主要包括三个重要的方面,分别是:用户建模技术、对象建模技术和推荐算法。

通用的推荐流程^[8]如图1所示,首先是对用户偏好特征的获取,进而通过计算建立用户模型和推荐对象模型,最后依据推荐算法计算出不同用户和对象间的相似度,根据相似度值的大小对用户进行信息推荐。

图1 推荐流程图

推荐流程的形式化表示为:设U 为所有用户集合(如成千上万的作战人员),O 为所有待推荐对象的集合(如成千上万的军事信息文档),f ()为相似度函数,推荐的意义就是寻找每个用户对应的满足相似度值排前n 个的推荐对象集S ′,即

∀c ∈C ,S ′=aggregate Top n f ()

(1)

2 关键推荐技术分析

2.1 用户建模技术

对于不同的军事信息用户,其关注的军事信息内容是不同的。在进行军事信息的智能推荐之前需要先对军事信息用户进行特征建模,用以描述不同军事用户的信息偏好。用户建模的过程图如图2所示。

使用分析SPSS 17.0统计学软件进行数据分析，计数资料用百分比（%）表示，采用χ2检验，P＜0.05为差异有统计学意义。

图2 用户建模过程图

军事信息用户的偏好特征模型S 可以表示为m 个显性特征S _d (如姓名、角色等)和n 个隐性特征S _r (如作战计划、战场态势等),进一步,特征模型可以表示为m +n 元组,如式(2)所示。

S =S _d +S _r ={d ₁,d ₂, …, d _m ,r ₁,r ₂, …, r _n }

(2)

对于用户的显性特征可以通过用户注册填写或个性化标签设定等主动方式获取,该方式的优点是简单高效,能够快速定位用户偏好;缺点是浪费用户浏览时间,泄露用户隐私信息。对于用户的隐性特征,主要是通过数据挖掘技术,对用户的浏览行为数据进行分析挖掘,从而得到用户潜在的偏好特征。该方式的优点是节省用户浏览时间,挖掘出用户潜在的一些独特偏好,缺点是分析结果未必理想准确,可能出现与实际不符的现象。

由于军事用户的特殊性,导致其偏好是动态变化的,因此还要考虑区分用户的长期偏好特征和短期偏好特征。以作战人员为例,平时可能关注更多的是关于训练动态的信息,战时可能关注的更多是关于战场作战的信息。在构建军事信息用户偏好特征模型时应加入情景(如时间、地点、天气、需求等)特征,基于用户的情景感知进行智能推荐,将合适的信息在合适的情境下推荐给合适的用户。情景感知需要对情景进行建模,可以采用逻辑模型(用规则表示)、本体模型(对客观存在进行抽象)、图模型(UML建模)等方法来实现。

2.2 对象建模技术

对不同的军事信息对象进行推荐时,用到的对象建模方法也就不同。常见的军事信息对象主要以文本类为主,此外还有图像、视频、音频等。因此,对于不同类别的推荐对象要分别建模。

对于文本类推荐对象,可以采用基于内容的建模方法,利用关键词抽取算法对文本内容进行关键词抽取,基于文本内容对应的关键词进行相似度计算,进而判断文本间的相似性。目前可用的关键词抽取方法主要有TF-IDF算法、TextRank算法、LSA/LSI算法和LDA算法。

两种超声检查方法均是对患者的子宫、附件及盆腔进行多切面的扫描,测量子宫、双侧卵巢及肿块的形态、大小、位置及相互关系等,检查腹盆腔内有无孕囊、液性暗区、包块等[3],仔细扫描内部回声,并明确检测病灶边界、血流动力学特征及积液深度,最后详细记录检查的数据结果。

1) TF-IDF算法^[9]

TF-IDF(Term Frequency-Inverse Document Frequency,词频-逆文档频率算法)是一种基于统计的计算方法,常用于文档集中一个词对某份文档的重要程度。计算方法如式(3)(4)(5)所示。

词频

(3)

逆文档频

(4)

TF-IDF=词频(TF)*逆文档频率(IDF)

(5)

TextRank算法的基本思想源自于谷歌的PageRank算法,主要用于文本关键词抽取。它的优点是可以不依靠语料库,具有较高的独立性。通过对某一文本内容的单独分析,就可以实现关键词的自动提取。其基本原理是将文本划分成若干语句,基于句子组成成分分析,利用图模型对单词重要性进行排序,最后,选择出Topn 个词语作为该文本内容的关键词。算法步骤如下:

Step 1 对给定的文本T按照完整句子分割,即

T =[S ₁,S ₂, …, S _m ]

(6)

ISM法即解释结构模型法,其全称为Interpretative Structural Modeling Method,主要用于解决变量较多、结构复杂的系统分析问题。通过将该方法引入智能推荐中,可以优化推荐对象建模技术,构建军事信息用户偏好特征层次模型,解决新用户刚加入时缺乏特征数据无法进行推荐的问题,即“冷启动”问题。对于新加入的用户来说,就可以依据其特征层次结构模型来进行共性特征相关推荐。随着用户的个人行为数据逐渐积累,后期可挖掘分析其个性特征实现更精确的推荐。

S _i =[t _i,1 ,t _i,2 , …, t _i,n ]

(7)

Step 3 构造候选关键词图模型G =(V ,E ),其中V 是由式(7)产生的候选关键词构成的节点集。然后通过共现关系(Co-Occurrence)构造图中每两节点之间的边。当两个节点对应的单词都出现在长度为N 的窗口中时,才认为它们之间存在边。其中,N 为窗口大小,即最多允许同时出现N 个单词;

其主要用来存储各种各样的信息,包括用户行为记录信息、战场环境信息(地形、地貌、水文、气象等)、多媒体信息(文本、图像、视频、音频等),作为推荐系统的数据支撑,对数据进行加密和安全性保护。

Step 4 根据上面的步骤,重复迭代并更新各节点的权重,直到最后收敛;

在外游走了10多天，回到家里感觉心里有些许安慰。但刚回家，便有人来敲门，是林全。我想他大概是每天都来的，可能注意到了我房间门口的一株盆栽有人给它浇了水，便知我回来了。我不愿开门，他就一直敲，我不想惊动周围的住户，只好打开门问他要做什么。他一脸深情地说，我只想看看你。

Step 5 将节点权重按照由大到小的顺序进行排序,选择出前面的M 个单词,就成为候选关键词;

Step 6 由得到的M 个候选关键词,在原始文本中进行标记,如果可以形成相邻词组,便组合成多词关键词。

3) LSA/LSI算法^[11]

LSA,其全称为Latent Semantic Analysis。 LSI,其全称为Latent Semantic Index。两者可以认为是同一种算法,但又有些区别。相同点是都要统计大量文本集,对文本的潜在语义进行分析。不同点是LSI还会在统计分析结果的基础上创建相关的索引。主要算法步骤如下:

Step 1 分析文本集,使用BOW模型将每个文本表示为向量;

Step 2 将所有的文本词向量拼接起来构成词-文本矩阵(m *n );

Step 3 通过奇异值分解(SVD)将词-文本矩阵进行矩阵分解([m *r ]. [r *r ]. [r *n ]);

Step 4 将分解后的词-文本矩阵进行降维处理, k ([m *k ]. [k *k ]. [k *n ],0<k <r )对应于原矩阵映射到低维度k 奇异值分解的近似结果。其中,每个文本和词都可以表示空间中的点,由k 个主题构成。然后，可以计算出每个词语和对应文本间的相似度值,就可以知道文本中任意一个词与文本间的相似度大小,取相似度值最大的那个词作为该文本的关键词。

4) LDA算法^[12]

LDA,其全称为Linear Discriminant Analysis,是人工智能领域中的经典算法。其基本思想是先假定文本中主题与文本关键词服从狄利克雷分布,根据先验分布和数据观察,拟合出多项式分布规律,得出Dirichlet-multi共轭结果。最后,根据共轭结果预测文本中主题与文本关键词的后验分布,即算法得到的关键词抽取结果。LDA模型的训练过程如下:

Step 1 对语料库中每篇文本内容中的每一个词w 进行随机初始化,赋予一个主题编号b ;

Step 2 按照吉布斯采样公式重新扫描语料库,并重新采样每个词w 的主题编号b ,及时在语料库中更新编号;

Step 3 当吉布斯采样收敛时,停止重复采样过程,进入下一步;

Step 4 统计语料库的主题-词共现频率矩阵,即关键词抽取需要的LDA模型。

接下来就可以按照一定的方式对新文本的主题进行预估,具体步骤如下:

Step 1 对当前文本内容中的每一个词w 进行随机初始化,赋予一个主题编号c ;

通过ISM方法,对可达矩阵M 进行区域划分和级位划分,提取骨架矩阵,得出特征关系层次结构图,如图5所示。

Step 3 当吉布斯采样收敛时,停止重采样过程,进入下一步;

Step 4 统计文本中的主题分布即为预测结果。

对于图像类推荐对象,同样可以采用基于内容的建模方法,主要是对图像内容进行相似度对比计算。目前常用的方法有像素点对比、重心对比、投影对比和分块对比。而对于视频、音频类推荐对象,可以采用基于分类的建模方法,目前常用的分类方法有支持向量机、K最近邻和朴素贝叶斯等方法。

2.3 推荐算法

在推荐算法方面,目前商用推荐算法大致可以分为四类,即:协作过滤推荐算法、基于内容的推荐算法、基于网络结构的推荐算法和混合推荐算法。

1) 协作过滤推荐算法^[13]

关于协作过滤算法,可以分为基于用户的和基于对象的。基于用户的方法是指经过对用户间的相似度计算,从而把相似用户感兴趣的内容推荐过来。如用户甲偏好A 类信息,用户乙偏好A 类和B 类信息,就能够将B 类信息推荐给用户甲。基于对象的方法是指经过计算对象间的相似度,从而把与某一用户感兴趣的对象的相似对象推荐出来。如某用户偏好X 类对象,Y 类与X 类对象较为相似,就能够将Y 类对象推荐给用户。

协作过滤算法最主要的是相似度计算方法的设计,目前有余弦相似(式(8))、Jaccard相似(式(9))、欧氏距离相似(式(10))等计算方法。协作过滤算法的优点是可以针对用户自身行为记录进行计算,容易发现用户的潜在信息偏好特征;缺点是会带来数据稀疏性、“冷启动”问题、“信息茧房”问题。

设立两级考核标准：以创业项目原型与风险投资计划书为初级考核标准，教师与其他课程老师进行初步筛选，从中选出若干优秀的进行二级考核筛选；以模拟风投路演的风险投资金额为主要的二级考核依据，学生将在模拟风投路演中展示自己创业计划，教师请的风险投资家将会根据计划给出自己投资金额。

(8)

(9)

(10)

2) 基于内容的推荐算法^[14]

高校图书馆所拥有的馆藏资源极为丰富，这也是高校图书馆能够吸引读者的主要原因之一。无论是阅读、学习，还是科研，图书馆往往都是最佳的选择之一。最近几年，随着互联网技术与信息技术的发展与完善，高校图书馆为了紧跟时代步伐，在资源建设方面提升了投资力度，推出了更多符合现代读者需求的数字类产品。同时对图书馆的资源结构进行全面的优化，进而打造出了资源更加丰富、分类更加明确、风格更具特色的馆藏资源，这些优势非常有利于图书馆自身文化的建设与发展，同时也为建设具有特色的校园文化打下了坚实的基础[1]。

基于内容的推荐是指依据用户浏览的信息内容特征进行推荐。需要计算出用户与不同内容信息间的相似度,而后根据相似度值的大小排序,将Topn 对象推荐出来。优点是简单高效,缺点是推荐内容较为相似,缺乏多样性。

3) 基于网络结构的推荐算法^[15]

(3)宿州、六安和黄山污染强度较小，但控制情况也较差，社会经济不断发展、污染物排放量增加，如果不及时管理，将会影响环境质量和发展水平，应该加大力度保护环境，为经济发展做准备。

4.培育投资顾问机构。专业投资顾问机构可以为不具备专业投资能力的个人提供专门指导。根据2016年年中统计，美国家庭中的80%通过专业投资机构(包括注册投资顾问、全服务经纪人、独立财务规划师、银行和储蓄机构代表、保险代理人以及会计师)购买基金。建议基金销售从经纪服务模式向客户需求服务模式转变，引进更多专业化的独立投资顾问公司、金融产品专业销售公司进入金融服务体系，实现服务主体的多元化。

基于网络的推荐算法是将用户和对象间的行为关系转换为网络中的节点和边,通过对网络结构的分析进行推荐,如图3所示。优点是可扩展性强,新用户或新对象可以作为新的节点加入网络,不存在“冷启动”问题,缺点是网络结构较为复杂,计算量太大。

图3 用户行为记录结构图

4) 混合推荐算法

混合推荐算法是指采取混合策略使用多种推荐算法,这样可以弥补单一算法的不足,从而将更佳的推荐结果展示给用户。但对于不同的推荐用户和对象,如何选择推荐算法进行混合推荐是关键。

此外,针对军事用户的特殊性,可以基于情景感知为作战行动单元进行地理条件、气象环境等的推荐;基于情报分析为心理战、舆论战提供情感分析推荐;基于关联规则为战场事件行动决策进行推荐;基于社交网络对作战群组协同进行推荐等。

3 基于ISM的军事文本信息智能推荐

Step 2 将分割好的句子进行词语划分,并为划分好的词语进行词性标注。然后,将停用词去除,只留下选定词性的词语,如动词、名词、形容词等。式(7)中t _i,n 是筛选后的候选关键词;

将案例融入课堂中，可以使学生将书本上较为枯燥的会计学原理及方法带入到不同的情景中，通过对案例的背景及发生的经济业务进行分析，从而使学生感到身临其境，达到更好地教学效果。例如，在讲解会计凭证处理流程时，以案例为基础，可以将学生按照角色进行分组，分为出纳岗、总账会计岗、会计主管岗等，由每组学生负责不同岗位的业务处理，在此过程中，使学生掌握正确的会计业务处理流程。因此，案例教学法重点之一在于改变传统的教学模式，利用案例达成更好地教学效果。

3.1 军事用户建模

对于某类军事用户来说,采用上述传统对象建模技术提取的偏好特征可以由m +n 元组表示。而实际中,不同特征间可能存在影响关系。现假设经判定某类用户的7个偏好特征中存在如下关系:S ₂影响S ₁,S ₃影响S ₄,S ₄影响S ₅,S ₇影响S ₂,S ₄和S ₆互相影响。进一步,可依据该影响关系构建有向图,如图4。

图4 特征关系有向图

下一步,根据有向图得出邻接矩阵A ,并求出邻接矩阵的可达矩阵M 。

2) TextRank算法^[10]

(11)

Step 2 按照吉布斯采样公式重新扫描当前文本并重采样文本主题;

对于原始人类来说，最大的对象莫过于头顶上的天与脚底下的地了。这是他们的生存空间，是他们的环境。这天是太伟大了，日月星辰云霞出入其间，给大地带来光明与黑暗，也带来梦幻与联想；地虽然没有天那样神秘，但地也同样极为伟大。海水、湖泊、河流、平原、森林，还有那千奇百怪的动物、花草均在这大地上，成为人触手可亲的真实的世界。原始人最为崇拜的对象无疑就是天地了。

图5 层次结构图

3) 控制层

3.2 推荐文本建模

对于推荐对象建模,可以通过TF-IDF方法进行军事信息文本关键词抽取,构建文本的关键词特征模型,并通过布尔模型对文本关键词进行特征向量化。对象模型可以表示为Y =[y ₁,y ₂,…,y _N ]。

3.3 基于内容的推荐

采用相似余弦算法,计算用户和对象内容间的相似度大小,如式(12)所示。并依据相似度大小进行排序,将对象推荐给相似度值最大的军事用户,从而实现军事文本信息的智能推荐。

cosine_XY =|Y *X ^T|

(12)

4 系统设计与案例分析

4.1 系统设计

针对军事信息用户的特殊需求,结合上述对建模方法和推荐算法的研究,可以采用分层思想,设计出面向军事信息服务的智能推荐系统架构,其中主要包括基础层、数据层、控制层和应用层。系统总体架构设计如图6所示。

图6 军事信息推荐系统架构

1) 基础层

其主要依托我军建设的网络设施、存储设施、计算设施,作为构建面向军事信息服务的智能推荐系统的硬件基础。

2) 数据层

传感器在模腔内所安装的位置决定该技术所起的作用，到底是带来收益还是仅导致成本升高，这点同样适用于注塑工艺装置和压力曲线评估。Bretthauer特别指出：“对于每个新项目，首先必须明确传感器应该完成哪些任务，因为这将决定安装传感器的位置。”模腔压力传感器通常用于控制工艺过程，即保压切换、打开和关闭喷嘴以及工艺过程监控。虽然针对传感器安装位置能给出一些简单的基本建议，例如大多数时候可以靠近注塑口，但是要想确定安装传感器的最佳位置，通常还需要对流量和压力情况进行模拟。

进一步,依据特征关系层次结构图,构建军事信息用户偏好特征层次模型,并将其进行布尔向量化。用户模型可以表示为X =[x ₁,x ₂,…,x _N ]。

其主要实现用户信息偏好特征的捕获、各式信息的过滤整合以及用户需求的自主预测,进而为用户从海量信息中推荐出有价值的信息,发挥出信息优势。

结合以上分析，本文暂且将乡土正义界定为以社会强弱关系结构为基础，以中心—边缘秩序为底线，以正义衡平感为社会意识形态的地方性正义。乡土正义本质上是建立于人情、面子、势力等本土生活情境之中的微观正义，“是地方性知识的集合形式，是自发的本土文化的伦理道德之凝练” [27]。生活在乡村社会中的个体，因生活琐事发生纠纷在所难免，纠纷解决所遵循的规范并非是非之断，而是在乡土社会关系中自然形成的利益平衡机制。以下将结合纠纷社会文本，展现乡土正义的相关命题。

4) 应用层

其用于接收并可视化展示控制层处理后的结果,对用户进行交互操作,满足用户需求。

4.2 案例分析

本文以美军海湾行动“沙漠风暴”空中作战计划的文本信息为例,首先对文本内容进行用户分析和关键词分析。

思想政治教育是需要全员参与的一项教育事业。所有人员，无论思政课教师、辅导员、专业课教师，还是行政管理人员、后勤人员以及校外企业的指导者，都要树立思想政治教育意识，形成良好的育人氛围。注重校内外思政教育的衔接工作，提高企业对技术与育人并重的认识。使思想政治教育渗透到校内外的各个角落，促进高职学生全面发展。

根据任务不同,可以对军事用户进行角色分类,如表1所示。

表1 不同军事用户信息偏好

本文采用上述ISM方法,构建出不同角色的用户信息偏好特征层次模型,图7展示了作战人员的特征层次模型。

图7 军事信息用户偏好特征层次模型

进一步,本文通过TF-IDF方法,提取出该文本内容的特征关键词顺序依次为:“飞毛腿”导弹、卫队、光纤、目标群、摧毁等,详见表2。

青岛中山路历史街区(以下简称中山路街区)位于青岛市南区中西部，西邻青岛火车站，南接栈桥公园.创始于1897年的德国占领时期，在改革开放以后逐渐萧条[1].天主教堂位于中山路的东侧山坡台地之上，塔身高56 m，是整个中山路街区的重要节点，构成中山路历史街区轮廓线的控制高度[2] (图1).

表2 案例文本特征权重

最后,本文通过余弦相似度算法,计算出该文本关键词与不同军事用户特征的相似度值。图8展示了：对于美军“沙漠风暴”这篇军事情报文本,与作战人员信息偏好特征更为相似,因此，可以将其推荐给作战人员。

图8 用户与文本内容间的相似度

5 结束语

本文针对军事信息服务中的信息推荐问题进行了技术研究,分别介绍了目前的研究现状、关键技术和系统设计,并给出了一种基于ISM方法的军事文本信息智能推荐算法。关键技术方面详细分析了用户建模技术、对象建模技术和推荐算法,并就一些常用方法给出了优缺点对比。军事文本信息智能推荐算法中引入了ISM方法,优化了用户建模技术,解决了“冷启动”问题。本文的研究对于我军利用军事信息的智能推荐服务具有重要意义,可以为其提供技术支持。下一步工作中,将采用本文研究的方法设计并实现面向军事信息服务的智能推荐系统,为我军作战人员决策提供辅助信息,为广大普通人员提供个性信息。同时,未来工作中,还要结合具体应用场景,综合考虑用户的真实复杂的需求,优化推荐技术,进一步提高智能推荐质量。

参考文献:

[1] 鞠亮,张晶,黄劲萍. 基于网络环境的军事情报信息智能化搜集整合系统[J]. 科技信息,2012,29(10):240-241.

[2] 秦树鑫,张翠侠,毛军,等. 用户相关军事信息资源智能挖掘与汇聚方法[J]. 指挥信息系统与技术, 2016,7(5):30-36.

[3] 马建威. 军事信息利用过程中的信息精准服务关键技术研究[D].长沙:国防科技大学,2014.

[4] 蔡飞. 面向信息精准服务的信息检索与查询推荐方法研究[D].长沙:国防科技大学,2016.

[5] 黄震华,张佳雯,田春岐,等. 基于排序学习的推荐算法研究综述[J]. 软件学报, 2016, 27(3):691-713.

[6] 赵子慧. 基于用户浏览模式的新闻推荐系统设计[D].昆明:云南财经大学,2017.

[7] Liu J,Tang M,Zheng Z,et al. Location-Aware and Personalized Collaborative Filtering for Web Service Recommendation[J]. IEEE Transactions on Services Computing,2016,9(5):686-699.

[8] 许海玲, 吴潇, 李晓东,等. 互联网推荐系统比较研究[J]. 软件学报, 2009, 20(2):350-362.

[9] 施聪莺, 徐朝军, 杨晓江. TFIDF算法研究综述[J]. 计算机应用, 2009, 29(b06):167-170.

[10]杜海舟, 陈政波, 钟孔露. 基于上下文关系和TextRank算法的关键词提取方法[J]. 上海电力学院学报, 2017,38(6):607-612.

[11]吴勇, 刘钰峰. 基于相关度的局部潜在语义分析算法研究[J]. 控制工程, 2017, 24(8):1701-1706.

[12]Gupta M, Gupta P. Research and implementation of Event Extraction from Twitter Using LDA and Scoring Function[J]. International Journal of Information Technology, 2018,10(2):1-7.

[13]Yi M. Collaborative Filtering[J]. Computer Science, 2017, 57(4):189-189.

[14]王嫣然, 陈梅, 王翰虎,等. 一种基于内容过滤的科技文献推荐算法[J]. 计算机技术与发展, 2011, 21(2):66-69.

[15]杜晗. 基于网络结构的推荐算法的研究[D]. 北京:北京邮电大学, 2013.

Intelligent Recommendation Technology for Military Information Service

WANG Zhong-wei, QIU Hang-ping, SUN Yi, KOU Da-lei

(Army Engineering University, Nanjing 210007,China)

Abstract :The rapid development of information technology has brought information explosion problems. In order to effectively solve the problem of accurate service of military information, this paper firstly analyzes the current feasible solutions both inside and outside the military, and carries out detailed technical feasibility analysis from the aspects of user modeling technology, object modeling technology and recommendation algorithm. Then, according to the characteristics of military users, a military text information intelligent recommendation technology based on ISM (Interpretative Structural Modeling Method) is proposed. The architecture of the recommendation system is designed based on the idea of layering. Finally, taking the military text recommendation of "desert storm" of the US army as an example, the hierarchical model of military user roles is constructed to realize intelligent recommendation of intelligence information and solve the "cold start" problem of new user recommendation. The experimental results verify the proposed intelligent recommendation algorithm, and show that the intelligent recommendation technology for military information service has a broad application prospect and practical significance.

Key words :military information service; intelligent recommendation; object modeling; collaborative filtering

文章编号： 1673-3819(2019)04-0114-06

中图分类号: E11

文献标志码: A

DOI: 10.3969/j.issn.1673-3819.2019.04.022

收稿日期： 2018-12-26

修回日期： 2019-01-24

作者简介：

王中伟(1994—),男,山东临沂人,硕士研究生,研究方向为指挥控制理论与技术。

裘杭萍(1965—),女,教授。

(责任编辑：张培培)

标签：军事信息服务论文;  智能推荐论文;  对象建模论文;  协作过滤论文;  中国人民解放军陆军工程大学论文;