技术特征：
1.一种联合打击目标自适应评分及关联推荐方法，其特征在于，步骤1，目标知识图谱超网络的构建：在获取打击目标情报数据基础上，利用目标之间的关系进行子网关系标注，构建目标的知识图谱超网络结构模型；步骤2，知识图谱初始推理向量的生成：将实体关系映射为空间向量，即为每个实体及其关系分配随机的向量数组；步骤3，知识图谱初始推理向量的优化：利用元启发算法的群体演化思想实现实体和关系向量的迭代优化；通过基于随机梯度下降的有限次迭代，使包含评分函数的损失函数达成最小值收敛；步骤4，目标知识图谱的补全：利用最优智能体的优化向量统计所有实体的关系综合评分，通过与超网络已有关系的平均评分对比，挖掘超网络中的隐藏关系，进而补全超网络；步骤5，火力打击目标的关联推荐：计算所有的实体在知识图谱超网络中的价值评分，并根据超网络关系确定实体之间的关联推荐目标名称。2.根据权利要求1所述的方法，其特征在于，步骤1中，具体的实现方式为：在获取打击目标情报数据基础上，利用目标之间的实体关系、隶属关系和功能关系进行子网关系标注，将打击目标具体划分为电子对抗、防空反击、后装保障、交通枢纽、子目标隶属、能源设施、通信设施、心理战、指挥控制9类关系，并依次构建9个子网，使用随机裁剪将无向网络转换为有向网络，各子网内的目标实体互相交织，缠绕叠加出目标的超网络体系结构。3.根据权利要求1所述的方法，其特征在于，步骤2中，可划分为如下子步骤：步骤2
‑
1，生成多维随机向量；设向量维数为k，则随机数应选取之间的实数，对所有的实体和关系均分配随机向量，并归一化处理：关系实体步骤2
‑
2，生成正负样本组合；正样本包含了超网络中所有带有连线的三元组，负样本是在正样本集合的基础上，通过随机调整头或尾实体而构造的当前网络无连线的三元组，正样本和负样本分别设为(h,r,t)和(h',r,t')；其中，h、h
′
为正负样本的头实体向量，r是实体关系，t、t
′
为正负样本的尾实体向量。4.根据权利要求1所述的方法，其特征在于，步骤3中，可划分为如下子步骤：步骤3
‑
1，计算超网络损失函数；算法的目标为：h+r＝t；h'+r≠t'，可通过构造评分函数f(h,r,t)进行精确度量，计算公式为：f(h,r,t)＝||h+r
‑
t||
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)损失函数l(h,r,t,r',t')的计算公式为：式中，s代表超网络的现有实体关系集合；s'代表超网络的未关联实体关系集合，满足条件：步骤3
‑
2，构建智能体结构；每个智能体包含实体向量集、边向量集和负样本边向量集；
步骤3
‑
3，构建初始智能体种群；采用元启发算法的随机变异方式，以原始智能体为样本，随机选中其中的10个实体和边进行向量微调；r表示向量关系，δ表示微调参数，ω表示向量中的原始参数，则微调后的参数ω'计算公式为：步骤3
‑
4，计算种群内所有智能体综合评分；根据更新的损失函数评分公式，将每个智能体包含的实体向量集、边向量集、负样本边向量集带入评分公式，计算出已有边最小值评分l
min
与负样本最大值评分l
max
；具体评分原则为：以l
min
作为智能体主评分；如果两智能体l
min
相同，以l
max
作为智能体辅助评分；步骤3
‑
5，种群淘汰；根据种群内各智能体的综合评分，淘汰掉种群内90％的智能体，并记录最优评分智能体结构及对应评分；步骤3
‑
6，种群扩充；调用上述步骤中的随机变异方式，以淘汰后剩余智能体为样本产生新智能体，使种群达到原定规模；步骤3
‑
7，重复步骤3
‑
3到3
‑
5，直至达成退出条件：l
min
达成最小化，并且l
max
不再增长，即可视为算法已收敛，退出并反馈此时种群内最优智能体。5.根据权利要求4所述的方法，其特征在于，步骤4中，在获取超网络的最优实体和边向量矩阵后，引入超网络关系补全操作：采集现有超网络中的三元组(h,r,t)，将其头实体或尾实体依次替换为其他实体，进而产生备选关系数组集，分别计算其评估值f(h',r,t)或f(h,r,t')，而后根据评估值按升序排序，记录原始三元组(h,r,t)的排序位置；如排序超过5，则将前5个三元组关系补充至超网络；否则将排序超过原始三元组的关系补充至超网络；新添加关系的属性数组满足公式：r＝h
‑
t。6.根据权利要求1所述的方法，其特征在于，步骤5中，实现了火力打击目标的关联推荐；具体的实现方式为：目标体系价值包含该目标的向量权重价值和边权重价值两个方面；设第i个子目标实体所包含的实体向量为h
i
，补全网络后，与此子目标关联的边集合为s
i
，则第i个目标的体系价值z
i
为：7.一种联合打击目标自适应评分及关联推荐系统，其特征在于，包括：目标知识图谱超网络构建模块：在获取打击目标情报数据基础上，利用目标之间的关系进行子网关系标注，构建目标的知识图谱超网络结构模型；知识图谱初始推理向量生成模块：将实体关系映射为空间向量，即为每个实体及其关系分配随机的向量数组；知识图谱初始推理向量优化模块：利用元启发算法的群体演化思想实现实体和关系向量的迭代优化；通过基于随机梯度下降的有限次迭代，使包含评分函数的损失函数达成最小值收敛；目标知识图谱补全模块：利用最优智能体的优化向量统计所有实体的关系综合评分，通过与超网络已有关系的平均评分对比，发掘超网络中的隐藏关系，进而补全超网络；火力打击目标关联推荐模块：计算所有的实体在知识图谱超网络中的价值评分，并根
据超网络关系确定实体之间的关联推荐目标名称。8.一种计算机可读存储介质，其特征在于，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行上述权利要求1
‑
6任一项的方法。
技术总结
本发明提供了一种联合打击目标自适应评分及关联推荐方法、系统和存储介质。该方法包括：获取目标实体关系数据；构建目标知识图谱超网络；生成知识图谱初始推理向量；优化知识图谱初始推理向量；补全目标知识图谱；进行火力打击目标的关联推荐。本发明将知识图谱推理技术引入到联合火力打击目标体系构建中，实现了目标关联关系的自动链接；建立了复杂超网络体系中的涌现性评估指标模型，实现了打击目标超网络的涌现性价值度量；实现了指挥员优选打击目标的关联推荐和最优推荐，提升了辅助决策智能化水平。智能化水平。智能化水平。
技术研发人员：刘昊 高爽 杨舒淇
受保护的技术使用者：中国电子科技南湖研究院
技术研发日：2021.09.15
技术公布日：2022/1/3