軍事情報推薦技術發展綜述

黃志良， 申 遠， 胡 彪， 王適之

(空軍預警學院，武漢 430019)

隨著軍事情報搜集手段、處理分析方法的快速發展，使得軍事用戶能夠獲得大量的不同類型、粒度、時空的軍事情報資源，但是也會使得指揮員需要耗費很大的時間精力從海量的情報發掘有效信息資源；同時隨著現代戰場不斷向陸、海、空、天、電、網等多維空間進行拓展，使得各類各級軍事情報需求用戶所需的軍事情報范圍、層次、粒度、時效性等千差萬別，單純靠用戶認知去挖掘對軍事需求用戶有用的情報存在著很大的局限性。面對“情報泛濫”和“情報缺乏”的矛盾[1]，如何采用有效的手段和方法向各類情報用戶推送情報生成的產品已成為亟需解決的問題。

目前，情報服務模式主要有三種，包括情報檢索服務、情報定制服務和情報推薦服務[2]。情報檢索服務是各類情報用戶在不同時機，為了滿足對某類情報的某方面的需求，采用相應的檢索技術，以詞典搜索、關鍵詞匹配等為主要手段，查找相關情報的過程[3]。情報檢索服務一定程度上能夠為用戶提供所需的情報資源，但是優質情報的獲得前提在于情報人員要具備能夠認識到何時需要情報，能夠正確地檢索、評估和有效利用信息的綜合能力，但是囿于用戶的認知能力和特點，用戶并不能總是明確描述自己的情報具體需求，并且隨著“信息過載”、 “信息迷航問題”的加劇，單純地依靠檢索技術沒有考慮不同類別的情報用戶的需求差異，自然無法滿足用戶的個性化需求。情報定制服務是以模塊化技術和柔性化制造技術為基礎，通過用戶定制獲取用戶信息，準確了解用戶的需求，從而為用戶提供更為精準的情報服務，提高情報使用效率[4]。相比檢索服務“我提供什么，用戶就接受什么”模式，情報定制服務采用批量生產，統一供應的服務模式，即“用戶需求什么，我提供什么”的模式，能夠對用戶需求精準定位，為用戶量身定做合適的情報內容和系統服務，因此在內容提供上更具有針對性，大大提高了用戶獲取情報的效率。但是情報定制服務的缺點在于情報定制是以“Pull”型驅動，嚴重依賴用戶對需求的理解和表達，缺乏對用戶上下文情景的研究，對于用戶的隱式需求無法滿足，并且無法根據用戶需求變化提供自適應的情報服務。情報推薦服務是利用情報系統獲取、分析情報用戶作戰任務過程中的行為和個性化情報需求特征，推導、預測用戶的潛在需求，并實時跟蹤用戶的需求更新情況，主動將用戶需要的情報資源提供給情報用戶的活動[5]。情報推薦服務是以“Push”型驅動，主動提供智能化、個性化情報服務，是以推薦技術為核心，利用知識發現、數據挖掘、機器學習、人工智能等多種方法為用戶提供合適的情報資源。相比情報檢索服務、情報定制服務被動地為用戶提供信息資源，情報推薦服務根據用戶個性化特征，主動為用戶提供合適的情報，并且當用戶需求變化時，情報推薦服務的也能自適應變化，為用戶提供個性化、動態化的情報資源。

作為情報推薦服務的核心，推薦技術已經在民用領域已經達到一個比較成熟的階段。1992年，Goldberg等[6]提出協同過濾推薦算法，拉開了推薦技術研究的序幕，Goldberg還首次提出利用協同過濾推薦算法搭建推薦系統Tapestry；1994年，Resnick等[7]提出第一個自動化新聞協同過濾系統GroupLens，利用協同過濾思想來為用戶提供符合個人偏好的新聞； 1995年，Ken[8]提出以文本詞作為特征，建立基于內容的新聞過濾系統NewsWeeder；1998年，美國人工智能協會專門設立推薦技術的研討會，使推薦技術在學術界受到了更多的關注；1999年，國際計算機學會建立推薦技術年會，并從此每年定期召開推薦技術研討會；1999年，Towle & Quinn有關用戶需求和偏好的推斷來進行推薦，建立基于案例的食品推薦系統Entrée[9]；購物網站亞馬遜從2001年建立推薦系統以來，一直是推薦技術的積極響應者和推廣者，被讀寫網稱為 “推薦技術之王”；2004年以后，隨著推薦技術的日益成熟，學者開始研究組合推薦技術，如將協同過濾推薦算法和基于內容進行融合；值得一提的是，Netflix作為一家在線影片租賃提供商，2007年開始舉辦Netflix大獎賽，獎勵第一個能夠將該網站推薦效果提升10%的團隊100萬美元，將推薦技術的研究推向了高潮，尤其基于模型的推薦技術得到了長足的發展[10]；2017年，推薦技術領域建立了正式學術研討會——RecSys，現在已經是新的推薦技術的研究和應用頂級年度盛會。隨著理論研究的日益成熟，推動了推薦技術在工業應用的發展，外國許多大型公司相繼部署了推薦系統，如亞馬遜、Facebook、Linkedln、MySpace、Netflix、Google、Youtube等，都相應搭建了推薦系統并取得了良好的商業效益。隨著推薦技術產生的巨大影響，出現了專門的正式會議和相關的專題研討會，許多頂級學術會議大量收錄了有關推薦技術的學術論文。

隨著電子商務的蓬勃發展，推薦技術帶來的巨大商業利潤，開始引起中國學術界的關注和研究，相關的理論研究和實際運用成果開始增多。文獻[11]是中國較早介紹推薦技術的技術資料，使得推薦技術開始被更多人了解與關注；1999年，清華大學路海明等[12]提出了基于Agent技術的個性化主動信息服務；2000年，電子科技大學何軍等[13]提出一種分級信息存儲模式和基于多播協議族的主動信息傳送方法；2001年，曾煒等[14]提出一種基于頻繁遍歷路徑的改進推薦算法，利用頁面分層的思想，著重提高了推薦算法的效率；2001年，清華大學馮翱等[15]發布了一個基于 Agent的信息過濾系統——Open Bookmark，以實現個性化的主動信息服務；2003年，復旦大學鄧愛林[16]對電子商務推薦系統關鍵技術進行研究，提出了基于項評分預測的IRPRec協同過濾推薦算法和基于項聚類的ICRec協同過濾推薦算法，設計并實現了一個多推薦模型電子商務推薦系統原型ECMner；2003年，復旦大學左子葉[17]發布了一個開放式電子商務推薦系統構架OARs；2004年，在第二十一屆中國數據庫學術會議、2005年全國理論計算機科學學術年會收錄了關于推薦技術的文章，這標志著推薦技術的研究在中國開始豐富起來；2007年，北京航空航天大學張光衛等[18]提出了一種基于云模型的協同過濾推薦算法；2009年，中國科學技術大學劉建國等[19]對個性化推薦系統的發展現狀進行詳細的文獻綜述，為后來的研究者提供了理論參考。推薦技術的理論研究日漸成熟，推動了推薦技術在工業上的成功應用，中國大型的電子商務公司相繼部署了推薦系統。2007年，受亞馬遜推薦系統啟發，當當網推薦系統1.0在上線，推薦系統開始發揮作用，能夠幫助用戶發現有價值商品、長尾商品銷售等[20]；2008年，淘寶推出推薦系統，逐漸實現了對淘寶用戶的“千人一面”到“千人千面”的重大轉變[21]；2011年，百度在搜索引擎的基礎上實現了推薦系統，使得百度業務全面擴展；2012年，京東部署了推薦系統，基于大數據和個性化推薦算法，實現向不同用戶展示不同內容的效果；2014年，阿里巴巴推出阿里移動數據競賽大賽，旨在解決現有推薦系統存在的技術問題，吸引了眾多推薦技術研究者的參與； 2013年，騰訊宣布打造了騰訊云推薦引擎，該推薦引擎是面向廣大中小互聯網企業打造的一站式云推薦引擎解決方案，提供安全、便捷、精準、可靠的推薦系統服務，提升其業務的點擊轉化率和用戶體驗；今日頭條的信息推薦算法自2012年9月第一版開發運行至今，已經經過四次大調整和修改，并于2018年發布了《今日頭條算法原理》，對今日頭條的推薦算法所使用的的推薦技術進行了詳細的介紹，為推薦技術的落地提供了理論指導[22]。

推薦技術盡管在民用領域取得了較大的成功，軍事領域還存在理論上和應用方面上的困難和問題，深入研究推薦技術在軍事情報服務的應用將有助于提高情報產品的使用效益，加速各級各類指揮員決策過程，從而提升體系作戰的能力水平。本文從軍事背景出發，介紹推薦技術的——般框架，對推薦技術的核心—推薦算法進行了重點總結，并分析幾類主流推薦算法的優點與不足，討論推薦算法應用軍事領域存在的問題，并展望推薦技術應用于軍事情報服務的未來發展趨勢。

1 推薦技術的一般框架

推薦技術通常利用情報系統與用戶的交互過程中，通過記錄、搜集并分析用戶的行為、習慣、興趣等用戶偏好信息，利用泛化策略(通過數據挖掘、機器學習等技術實現)泛化這些反饋數據，用以構建用戶偏好模型；同時，在情報數據預處理過程中，通過特征抽取技術提取情報的結構化信息(如關鍵詞、概念、n-grams等)，目的是將來自于信息源的情報信息構建成情報描述模型；最后利用過濾模塊將用戶偏好信息與情報在表示空間進行匹配，將匹配度高的一組情報推薦給用戶。圖1為推薦技術的一般框架。

圖1 推薦技術的一般框架Fig.1 General framework for recommendation technology

推薦技術的形式化表示為給定用戶集合U={u1,u2,…,un}，情報集合為I={i1，i2，…,im)，uk(k=1,2,…,n)為第k個用戶，ij(j=1,2,…,m)為第i條情報。興趣度函數f(u,i)，即f:UI→R+UI→R+度量用戶u對情報i的興趣度，R+={r11,r12,…,rnm}表示某用戶對某情報的興趣集合，則 ?u∈U,要求得興趣度函數最大值對應的情報i′，i′∈I,即

(1)

2 推薦算法

作為推薦技術的核心——推薦算法，根據推薦策略的不同，目前主流的推薦算法可分為協同過濾推薦、基于內容的推薦和組合推薦三類[23]。

2.1 協同過濾推薦算法

協同過濾推薦算法的基本原理是在進行情報推薦服務過程中，根據情報用戶特征來匹配要推薦的情報資源，是根據用戶之間的相似度或情報之間的相似度來實現對目標用戶的情報推薦[24]。針對協同過濾推薦算法的研究，其中，協同過濾推薦算法可分為基于記憶的協同過濾和基于模型的協同過濾，基于記憶的協同過濾是利用用戶-情報評分矩陣來預測目標用戶對某一特定情報的評分或形成一個推薦列表[25]。基于模型的協同過濾是利用數理統計、數據挖掘、機器學習等方法，根據用戶與情報的歷史交互行為(包括評分、瀏覽、標記、收藏等行為)建立模型，對比模型輸出與實際結果來調整相關參數來實現目標用戶的情報推薦[26]。

2.1.1 基于記憶的協同過濾

基于記憶的協同過濾可分為基于用戶的協同過濾和基于情報的協同過濾，兩者區別在于前者的評分是使用相似用戶的評分來進行預測的，后者的評分是使用對相似情報的評分來進行預測的。

(1)基于用戶的協同過濾。在該方法中，定義用戶的鄰域以便識別與正在為其計算評級預測的目標用戶的類似用戶集合。 為了確定目標用戶的鄰域，一般通過計算目標用戶與所有其他用戶的相似度。因此，需要在用戶指定的評分之間定義相似度函數。常用來度量用戶之間相似度的方法有歐幾里德法、余弦相似度法、Pearson相關系數法等。假設用戶-情報評分矩陣為R=[rui]m×n，rui表示用戶u對情報i的評分。以Pearson相關系數法為例，?u,v∈U，用戶u、v的相似度為

sim(u,v)=Pearson(u,v)=

(2)

在計算出用戶間的相似度后，一般采用K最近鄰方法選取近鄰用戶，即挑選與目標用戶最相似的k個用戶。接著利用近鄰用戶的評分情況來為目標用戶進行推薦，考慮到不同用戶評分尺度的問題，先對近鄰用戶的評分增量值進行計算，然后再進行加權平均，則目標用戶對某一情報的預測評分值為

(3)

基于用戶的協同過濾適用于用戶數較少、用戶個性化偏好不太明顯的場景。當用戶規模變化時，需要重新計算相似度，擴展性較差；隨著推薦數目的增加，基于用戶的協同過濾傾向于推薦熱門情報，出現“長尾效應”，覆蓋率反而降低；用戶與情報產生新的交互行為時，推薦系統并不能立即響應。

(2)基于情報的協同過濾。基于情報的協同過濾與基于用戶的協同過濾原理類似，不同之處在于基于情報的協同過濾是計算情報之間的相似度。該方法首先計算情報之間的相似度，然后從目標用戶評分過的情報集合中挑選與預測情報之間最相似的k個情報，最后根據近鄰情報集合來預測待推薦的情報集合，則目標用戶對某一情報的預測評分值為

(4)

基于情報的協同過濾適用于情報數較少、用戶個性化偏好明顯的場合。與基于用戶的協同過濾一樣，存在擴展性問題；當產生新的情報時，必須要更新情報相似度表，才能將情報推薦給用戶。

2.1.2 基于模型的協同過濾

基于模型的推薦算法有很多，比較有代表性的算法有：基于樸素貝葉斯的協同過濾、基于矩陣分解的協同過濾、基于神經網絡的協同過濾等。

(1)基于樸素貝葉斯的協同過濾。樸素貝葉斯模型是一種生成模型，通常用于分類，在推薦問題中將用戶作為實例和情報視為要素，以便使用分類模型推斷缺失的評分項[27]。該方法假設存在少量不同的評級，每個評級都可以被視為分類值，同時忽略評級之間的排序，例如三個評級：喜歡、中立和不喜歡，將被視為無序的離散值。在不同評級的數量較小的情況下，可以合理地使用這種近似值而不會顯著降低精度。假設存在l個不同的評級，分別為{v1,v2,…,vl}，vs(s=1,2,…,l)為第s評級的評分。評分矩陣為R=[rui]m×n，用戶u對情報i評分集合為Iu={r1i,r2i,…,rni}，由貝葉斯定理，可得：

(2)基于矩陣分解的協同過濾。2007年Nettlix矩陣預測大獎賽的興起，使得矩陣分解方法廣泛應用于推薦領域[28]。比較有代表性的算法有隱語義模型、奇異值矩陣分解、概率矩陣分解、偏置矩陣分解、非負矩陣分解等。以隱語義模型為例，該算法利用隱因子來表示用戶和情報特征，將原始評分矩陣分解成兩個低階矩陣相乘，然后利用隨機梯度下降法進行優化[28]。計算公式如式(6)所示：

(6)

式(6)中：Um×k、Vn×k分別為分解后的用戶、情報特征矩陣；k為隱因子個數。矩陣分解算法的優勢在于預測精度高，缺點在于生成推薦時間相對較長，解釋性差。

(3)基于神經網絡的協同過濾。神經網絡算法利用神經元模擬人類大腦，神經元通過突觸連接相互連接。在生物系統中，通過響應外部刺激對應的改變突觸連接的強度來進行學習[29]。在人工神經網絡中，基本計算單元也稱為神經元，強度突觸連接強度對應于權重，這些權重定義了算法的學習參數。神經網絡最基本的架構是感知機，包含一組輸入節點和一個輸出節點。對于包含d個不同維度的數據，存在是不同的d個輸入單元，輸出節點與一組權重W相關聯，用于將從激活函數得到的函數值線性映射到另一個維度空間上，激活函數以符號函數為例，則輸出層輸出可表示為

(7)

2.1.3 協同過濾算法的應用實例

目前，協同過濾推薦算法應用于軍事領域的研究較為深入。胡旭等[30]針對協同過濾推薦系統存在的數據稀疏性和擴展性差問題,提出了初始聚類中心優化的K-均值項目聚類推薦算法；余苗等[31]利用層次向量空間構建用戶興趣空間,對情報用戶的歷史情報和定制信息,通過樸素貝葉斯分類算法挖掘用戶興趣,建立用戶興趣模型，提出了一種基于樸素貝葉斯分類算法的雷達情報按需分發技術；傅暢等[32]在分析軍事情報和互聯網信息特點的基礎上,設計并實現了一個包括采集、處理、存儲與檢索的web軍事情報挖掘模型,然后提出了一種面向軍事情報應用的文本聚類方法；袁仁進等[33]圍繞軍事新聞推薦模型構建、軍事新聞推薦模型更新及融合地理情境的軍事新聞推薦模型三方面進行了研究，在用戶興趣模型構建方面,提出了一種基于向量空間模型和 BisectingK-means聚類的軍事新聞推薦方法，同時顧及時間上下文對用戶興趣模型進行了更新,并構造了一種基于時間的遺忘函數，最后針對地理推薦問題，提出了一種顧及事件地理位置的軍事新聞推薦算法，并構建了軍事新聞個性化推薦原型系統。

2.2 基于內容的推薦算法

基于內容的推薦算法，利用特征提取技術對用戶和情報構建畫像，即建立用戶和情報特征向量，利用相似度方法計算兩個向量的相似度來表示用戶和情報的匹配度，將匹配度高的情報推薦給用戶[34]。 基于內容的系統的主要組成部分包括離線預處理、離線學習和在線預測。離線預處理主要用于提取用戶和情報特征，用戶特征可以利用用戶評分向量表示，而情報特征需要將非結構化的情報資源(如文本、視頻、音頻等)轉化成結構化的情報內容，通常用關鍵詞向量表示；離線學習部分用于創建匯總模型，通常是分類或回歸模型，然后利用該模型對相關特征進行學習；在線預測利用前面的模型對目標用戶提供實時情報推薦。當對非結構化格式的情報進行推薦時，特征提取過程尤為重要，該步驟能夠將非結構化的情報用詞袋表示，在此之前需要對數據進行清洗，包括停用詞消除、詞干還原和短語提取等。執行這些步驟后，進行特征選擇，特征選擇主要目的是只保留最豐富的特征信息，常用的方法有基尼系數、信息熵、卡方分布、偏差歸一化等[35]，然后關鍵字將轉換為矢量空間表示。在向量空間表示中，文檔表示為詞袋，以及它們的頻率。利用TF-IDF(term frequency-inverse document frequency)技術用來計算每個詞語的重要性，該方法的主要思想是某詞語在文檔出現的頻率越高，則表示該詞語在越能夠表示該情報的內容；同時該詞語在不同文檔中出現的次數越多，表示該詞語對于不同文檔的區分度低[36]。假設情報資源包含的文檔數為N,包含詞語ti的文檔數為ni，hij表示詞語ti在文檔sj出現的次數，則詞頻Fij為

(8)

式(8)中：t表示在文檔中出現的詞語；ftj表示在文檔sj中所有詞語t出現的次數。逆文檔頻率為

(9)

則情報用關鍵詞向量的每個分量表示為

(10)

在分別建立用戶和情報特征向量后，計算兩者的相似度，常用余弦相似度來計算。公式如式(11)所示：

(11)

式(11)中：U,I分別表示用戶、情報向量。根據向量之間的相似度，可以得到用戶與情報的匹配度來實現推薦。基于內容的推薦可以緩解數據稀疏性問題，實現簡單，缺點在于該算法適用于文本類型或者特征容易提取的情報，也無法發現用戶的潛在興趣。

對于文本類情報，基于內容的推薦往往推薦效果更佳。王中偉等[37]針對軍事用戶的特點,提出了一種基于ISM(interpretative structural modeling method)方法的軍事文本信息智能推薦技術。并采用分層思想,對推薦系統進行了架構設計，最后,以美軍“沙漠風暴”軍事文本內容推薦為例,構建了軍事用戶角色的特征層次模型,實現了情報信息的智能推薦,解決了新用戶推薦的“冷啟動”問題。電子科學研究院楊慧杰等[38]參考內容中心網絡架構,設計了包含情報服務中心-情報服務站-情報用戶三個層級的移動情報服務系統模型以及情報緩存節點模型;提出了基于在線學習的情報內容流行度估計函數,并在此基礎上,提出了基于內容流行度的情報分發算法。古秦弋等[39- 41]在基于內容推薦技術的基礎上，相繼提出基于內容相似度的雷達情報篩選技術、基于加權內容相似度的雷達情報推薦技術和Relief內容相似度的雷達情報按需分發技術。

2.3 組合推薦算法

每種推薦算法都有其優勢及缺陷，組合推薦算法的優勢在于集成各算法優勢，彌補各算法的缺陷，最大化提高推薦算法的推薦質量。組合推薦算法按照組合方式可以分為加權、切換、級聯、特征擴充、元組合、特征組合、混合等[42]。

2.3.1 加權式組合

(12)

2.3.2 切換式組合

在推薦算法各個階段的表現不同，各個算法應用場景不同以及算法性能各異，針對不同時機、推薦背景、任務需求應當切換相應的推薦算法，使得算法能夠在合適的時間、場景發揮相應的性能。

2.3.3 級聯式組合

級聯式組合是一種分段推薦方法，第一階段先利用一種推薦算法得到粗略的候選排序結果，第二階段使用這個粗略的排名來進一步完善它并打破關系。這種方法能夠利用各算法的優點，因此推薦效果較好。

2.3.4 特征擴充組合

特征擴充組合是將一種推薦算法學習到的特征信息融入下一種推薦算法，能夠充分學習到用戶或情報的特征信息，因此用戶或情報畫像更為準確。

2.3.5 元組合

元組合是將一種推薦算法輸出作為另外一種算法的輸入。在前者算法的基礎上，可以進一步提升推薦算法的效果。

2.3.6 特征組合

特征組合方式是利用單個算法學習用戶或情報的特征，能夠有效解決數據稀疏性問題，使得推薦精度更高。

2.3.7 混合式組合

混合式組合是構建多種推薦算法，根據各算法的推薦效果選用推薦算法進行推薦。

目前，針對組合推薦算法在軍事應用方面上的研究還比較少，但是單一推薦算法應用場景及推薦效果往往具有一定的局限性，因此組合推薦算法的研究還有很大的發展空間。針對組合推薦算法，張云龍等[43]先運用改進BP神經網絡計算出威脅等級并排序,優先分發急需情報,然后引入匹配算法計算相似度,實現情報推薦；馬建威[44]在傳統的基于內容過濾方法和協同過濾方法基礎上,提出了改進的混合推薦方法,該方法綜合運用了基于用戶的協同過濾算法和基于項目的協同過濾算法的優點,滿足了信息推薦的可擴展和自動化程度高的要求。

2.4 其他推薦算法

其他常見的推薦算法還有關聯規則推薦算法、基于知識的推薦算法、圖推薦算法等。

2.4.1 關聯規則推薦算法

關聯規則推薦算法[45]是根據用戶與情報歷史交互數據來統計不同規則，將滿足最小置信度閾值的和最小支持度閾值的作為可以輸出的規則，然后將對應的情報推薦給用戶。關聯規則推薦算法關鍵在于規則的挖掘和選取，在海量數據的條件下，規則的挖掘與選取耗費時間長，算法效率相對較低。

2.4.2 基于知識的推薦算法

基于知識的推薦[46]不需要獲取用戶信息，可以直接利用領域知識或者案例，根據知識庫的內容，將合適的情報推薦給用戶。該算法不依靠用戶對情報評價，且解釋性較強，缺點在于知識較難獲取，需要相關專家提供較為規范、可靠的領域知識。

2.4.3 圖推薦算法

圖推薦算法[47]將用戶和情報抽象為兩類節點，將用戶與信息的交互行為表示用戶對信息的選擇關系，利用用戶、情報和用戶對情報的選擇關系構成關聯圖，該算法克服了評分數據稀疏性對推薦性能的影響，并且算法的推薦性能和擴展性要好于傳統推薦算法。

在應用研究上，吳小余等[48]運用專家系統的理論及方法的基礎上，提出了對空情報自動分發系統方案；毛可[49]采用接口語義匹配等方法進行服務推薦可能產生服務不匹配或不可用的情況,提出一種基于歷史事例推理的軍事信息方法；凌艷香[50]研究了個性化軍事信息推薦中的鏈路預測方法，構建了多節點、多鏈接、多屬性的用戶信息關系圖，基于子圖相似性的鏈路預測算法和多項式曲線擬合下的基于圖核思想的鏈路預測算法，討論了鏈路預測在個性化軍事信息推薦中的應用,提出了基于用戶偏好相似和基于信息價值關聯兩種推薦策略,同時還利用鏈路預測解決了推薦系統中的冷啟動問題。

3 推薦技術應用存在的問題

3.1 稀疏性問題

推薦算法一般依靠用戶-情報評分矩陣來實現推薦，情報資源盡管是海量的，但是用戶對情報的評分數據卻是稀疏的，即因為用戶時間或精力是有限的，往往存在的大量用戶并不能對所有情報進行推薦。數據的稀疏性反映在評分矩陣上是使得矩陣變成高維稀疏矩陣，這使得相似度計算并不準確，推薦效果下降。針對稀疏性問題，文獻[51]將基于用戶的協同過濾和基于項目的兩者預測評分動態混合加權，并引入相似用戶對相似物品的評分作為間接預測評分,最后與直接預測評分加權形成用戶對項目的最終評分；文獻[52]利用基于物品屬性信息的用戶評分信息和時間效應,對評分矩陣進行擴展并豐富了數據源；文獻[53]引入用戶特征信息,并結合數據預處理、相似度加強和混合預測等方法,以期解決數據稀疏性給推薦系統帶來的精度下降問題。

3.2 冷啟動問題

冷啟動問題包括新用戶冷啟動問題、新情報冷啟動問題和系統冷啟動問題。新用戶冷啟動是指新的用戶加入推薦系統，此時該用戶并沒有與情報產生交互行為，無法根據相似度方法進行匹配相應的情報；新情報冷啟動是指新的情報加入推薦系統，很少或沒有用戶對該情報進行推薦，長期以往該情報很難獲得推薦的機會；系統冷啟動問題值是指推薦系統剛剛建立,只有少量的用戶和情報，將新情報推薦給新用戶較為困難。針對冷啟動問題，文獻[54]提出一種多重圖排序的冷啟動推薦方法。通過分析用戶之間可能存在的信任度構建關系網絡,利用多重圖排序模型得到目標用戶的最近鄰集合,進而產生目標用戶的推薦列表。文獻[55]提出了一種結合協同概率矩陣分解與迭代決策樹的推薦算法,該方法首先使用多層協同概率矩陣分解在多個維度上得到用戶潛在特征,然后使用迭代決策樹學習算法對特征和標簽進行訓練得到用戶對項目的偏好,最后使用考慮約束問題的top-N推薦產生推薦列表。文獻[56]設計了一個新的凸起框架-多級偏好回歸來直接預測評級，該方法考慮到三個組成部分的影響：①用戶屬性與項目屬性;②每個用戶對項目屬性的偏好;③項目在具有某些屬性的一組用戶中的受歡迎程度。調整三個組件的影響，可以解決用戶，項目和系統的三種冷啟動問題。

3.3 擴展性問題

隨著新的用戶和情報加入到推薦系統后，計算量急速上升導致推薦實時性下降，如何在推薦質量損失不多的情報下保證推薦的實時性，是目前推薦算法研究的一個重點。針對擴展性問題，文獻[57]提出一種基于用戶聚類的協同過濾算法。該方法結合調用次數和服務的關鍵詞,并利用TF-IDF方法計算用戶對關鍵詞的偏好度,構建用戶-關鍵詞偏好向量,以此進行用戶聚類。文獻[58]基于交替最小二乘法優化推薦算法,在優化算法的基礎上對分兩個部分優化：第一部分采用LBFGS算法使搜索方向快速計算出來；第二部分采用阻尼牛頓法求解步長因子。文獻[59]提出了基于Spark平臺的交替最小二乘法算法和物品相似度相結合的混合協同過濾算法，基于Spark分布式并行計算框架技術解決了可擴展性問題,同時又提高了算法推薦的準確性。

4 未來發展趨勢

4.1 與上下文信息進行結合

在實際應用過程中，用戶偏好往往受用戶所處的時間、地點、天氣、網絡狀態、情緒狀態等上下文信息所影響。傳統推薦算法往往只考慮到用戶和情報的關聯關系，無法準確挖掘用戶的偏好情況，而上下文信息的引入能夠獲取更多的知識來構建用戶-情報偏好知識庫，并且使得軍事情報推薦不受算法應用場景的限制，推薦準確性能夠得到進一步提升。

4.2 群體推薦

目前大多數關于推薦技術的工作都側重于推薦情報給用戶個體，很少考慮到將情報推薦給群體用戶。在軍事領域，不同軍事用戶之間往往存在很大相似性，且有些用戶活動參與的軍事任務與需求相同，往往可以將這些用戶作為一個群體，并將推薦算法應用到群體推薦問題上。

4.3 融入深度學習方法

深度學習已經成為互聯網大數據和人工智能的一個熱潮，該方法突破了傳統機器學習方法的極限，是通過構建具有很多隱層的學習模型和海量的訓練數據，來學習更有用的特征，從而最終提升預測的準確性[60]。基于深度學習推薦算法通常將用戶和情報數據作為輸入，利用深度學習模型學習訓練用戶和情報特征，并輸出產生推薦列表。典型算法模型有自編碼器、受限玻爾茲曼機、深度信念網絡、卷積神經網絡、循環神經網絡等[61]，這些模型在近幾年在民用領域得到了廣泛的研究，如能將其應用到軍事領域，將能夠有效提升軍事情報推薦質量。

5 結論

推薦技術是解決軍事情報過載的有效手段，介紹了軍事情報推薦技術的一般框架，并針對該技術的核心——推薦算法進行了綜述，針對主流推薦算法包括協同過濾推薦算法、基于內容推薦算法、組合推薦算法等進行了總結，分析了各算法的優缺點，并針對推薦算法面臨的問題給出了建議，最后根據最新研究成果，提出了推薦技術的未來可能發展趨勢，希望能夠對研究軍事情報推薦技術領域的研究人員和工程技術人員能夠有所裨益。