CN112817442B - 基于ffm的多任务情况下态势信息分类推荐系统及方法 - Google Patents

Abstract

本发明公开了一种基于FFM的多任务情况下态势信息分类推荐系统及方法。本发明建立基于Pew的任务处理模型，解析当前任务状态信息，根据不同任务对不同态势信息的关注度不同，同时考虑操作员状态属性，利用FFM模型计算出不同态势信息推荐策略下的任务完成概率，得出该态势信息推荐策略的推荐概率值；从而推选出推荐概率值最高的态势信息推荐策略作为操作员完成任务的信息组，在交互界面上智能显示，提高人机交互系统的智能性、交互性、用户满意度。

Description

基于FFM的多任务情况下态势信息分类推荐系统及方法

技术领域

本发明涉及人机交互技术领域，具体涉及一种基于FFM的多任务情况下态势信息分类推荐系统及方法。

背景技术

近年来，由于人机交互在军事和民事领域的广泛应用，关于多智能体人机交互的研究得到了学术界和工业界的极大关注。人机交互是研究人、机、环境三要素之间的关系，为了解决系统中交互性能不足、缺乏智能性、灵活性差、用户满意度低等问题，就需要研究开发一种多智能体信息推荐系统。

在战场环境中，由于操作员在指挥控制多智能体系统的过程时，在不同复杂任务情况下，不同任务对不同信息的需求度不同，态势信息的推送对操作员决策会产生极大影响，同时，操作员的各类属性值，例如熟练度、利用度等因素也会对任务结果产生影响，但现有的推荐系统及方法均针对于互联网环境中，用户对产品的喜好度进行推荐，不涉及战场环境，因此，需要一种适用于战场复杂多任务的信息推荐系统及方法。

发明内容

有鉴于此，本发明提供了一种基于FFM的多任务情况下态势信息分类推荐系统及方法，针对不同战场任务以及不同操作员属性，对任务与操作员状态进行建模，将态势信息进行分类推送，从而提高信息的价值，辅助操作员进行决策。

本发明的基于FFM的多任务情况下态势信息分类推荐方法，包括如下步骤：

步骤1，构建FFM模型；所述FFM模型包括3个Field，分别对应操作员空间、任务空间和态势信息空间；操作员任务处理模型选取Pew模型；整体回报函数Reward为：

其中，P_ij代表操作员i完成任务j的概率值，其中，a_j为任务j复杂度系数，b_i为操作员i参数，p_0,ij为操作员i完成任务j的概率值，为任务匹配度r_1,ij、操作员熟练度匹配度r_2,ij以及操作员利用率匹配度r_3,ij的加权和；

其中，任务匹配度r_1,ij：当操作任务为当前任务时取1，否则为0；

操作员熟练度匹配度r_2,ij：

r_2，ij＝α·u_{i，proficiency}-(1-α)·t_{j，complexity}+c₁

其中，α为熟练度权值系数，u_{i,proficiency}为操作员i熟练度，t_{j，complexity}为任务j复杂度，c₁为一常量系数；

操作员利用率匹配度r_3,ij：

r_3,ij＝β·t_j,attention-(1-β)·u_{i，rest_rate}+c₂

其中，t_j,attention为任务j注意力需求，m_k为当前态势信息推荐策略中的第k个态势信息，w_j，k为态势信息m_k对第j个任务的注意力需求的影响权值；β为利用率权值系数；u_{i，rest_rate}为操作员i利用率；c₂为一常量系数；

a_j＝6-4*t_j,complexity，t_j,complexity为任务j复杂度；b＝(2～5)a；

t_jq代表任务j的第q个指标，w_jq代表任务j的第q个指标对应的权值；

步骤2，利用样本数据集对步骤1构建的FFM模型进行训练；

步骤3，将当前操作员信息、任务信息以及拟推荐的态势信息推荐策略中的态势信息输入训练好的FFM模型，获得当前态势信息推荐策略的推荐概率值；推荐概率值最大的态势信息推荐策略即为最终推荐结果。

较优的，任务的指标中包含任务类型、任务优先级、任务复杂度、熟练度需求和注意力需求。

较优的，根据任务类别，设定该任务的重要性指标的权值w：

空闲任务：w＝w_free＝0；

遥控任务：w＝w_remote＝p(safe|obstacle)·V_obstacle，其中V_obstacle为环境复杂程度，p(safe|obstacle)为环境已知情况下遥控安全的概率；

集结任务：

其中d为集结距离，d₀为集结最短距离，d_f为集结距离阈值；

打击任务：w＝w_hit＝[1-p(success|atk)]ⁿ·V_enemy，其中p(success|atk)为攻击力已知情况下打击成功的概率，V_enemy为敌方价值；

搜索任务：w＝w_search＝V_target，V_target为目标价值。

较优的，任务的指标中还包含任务紧急度。

较优的，所述步骤2中，选取自适应梯度下降算法。

本发明还提供了一种基于FFM的多任务情况下态势信息分类推荐系统，包括数据处理模块、FFM模型和推荐引擎；

其中，数据处理模块提取操作员、任务以及态势信息的数据；其中，操作员数据包括操作员的熟练度、关注任务类型和注意力利用率；任务数据包括任务的任务类型、任务优先级、任务复杂度、熟练度需求、注意力需求，以及与其他任务的时序和依赖关系；态势信息数据包括机器人信息、检测信息和任务信息；

FFM模型包括3个Field，分别对应操作员空间、任务空间和态势信息空间；操作员任务处理模型选取Pew模型；整体回报函数Reward为：

FFM模型根据当前操作员信息、任务信息以及态势信息推荐策略中的态势信息，计算该态势信息推荐策略的推荐概率值；

推荐引擎对FFM输出的所有态势信息推荐策略的推荐概率值进行排序，输出推荐概率值最大的态势信息推荐策略作为最终推荐结果。

有益效果：

1、相比于传统人机交互系统，本发明对任务空间与操作员进行建模，加入信息推荐系统，智能化的推荐出高价值信息，辅助操作员决策，提高了系统的智能性。

2、推荐系统引入field概念，将操作员和任务分为不同field，提高各特征与不同field之间的关联度，使系统更加贴合任务，推荐出更高价值的信息，提高任务的完成概率。

3、该系统使用FFM推荐算法，具有很强的扩展性，方便对任务、操作员等部分进行扩展添加。

附图说明

图1为Pew任务处理模型展示图。

图2为Pew决策流程展示图。

图3为不同任务下不同信息决策结果展示图。

图4为推荐系统框架展示图。

图5为FFM模型训练结果展示图。

图6为测试集预测结果展示图。

图7为人机交互界面信息推荐效果图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明针对在人机交互系统中，指控终端交互性能不足、缺乏智能性、灵活性差、用户满意度低等问题，提供了一种基于FFM的多任务情况下态势信息分类推荐系统及方法，建立基于Pew的任务处理模型，解析当前任务状态信息，根据不同任务对不同态势信息的关注度不同，同时考虑操作员状态属性，利用FFM模型计算出不同态势信息推荐策略下的任务完成概率，得出该态势信息推荐策略的推荐概率值；从而推选出推荐概率值最高的态势信息推荐策略作为操作员完成任务的信息组，在交互界面上智能显示，提高人机交互系统的智能性、交互性、用户满意度。

步骤一、对任务进行建模，同时构建任务处理模型。

1、任务描述

操作员空间为U＝{u₁,u₂…,u_m-1，u_m}，其中u_i＝{u_i,1,u_i，2…,u_i,c-1，u_i，c}，用户之间没有依赖关系，每个用户包含c个属性值，包括操作员id，性别，年龄，熟练度，关注任务类型，注意力利用率等。

任务空间为T＝{t₁,t₂…,t_n-1，t_n}，其中t_j＝{t_j,1，t_j，2…，t_j，d-1，t_j，d}，任务之间时序和依赖关系，每个任务包含d个属性值，包括任务类型，任务优先级，任务复杂度，熟练度需求，注意力需求，敌情探测需求，通信需求等。

信息空间：M＝{m₁,m₂…，m_o-1，m_o}，信息之间相互独立，包括机器人信息，检测信息，任务信息等。

2、任务解析

(1)任务类型：空闲，遥控，集结，搜索，打击目标等

(2)任务注意力需求：其中w_j，k为信息k对任务j注意力需求的影响权值，w_j,k∈[0,1]。

(3)任务重要性评定：

空闲任务：w_free＝0，定义重要性为零；

遥控任务：w_remote＝p(safe|obstacle)·V_obstacle，其中V_obstacle为环境复杂程度，p(safe|obstacle)为环境已知情况下遥控安全的概率；

集结任务：

其中d₀为集结最短距离，d_f为集结距离阈值；

打击任务：w_hit＝[1-p(success|atk)]ⁿ·V_enemy，其中p(success|atk)为攻击力已知情况下打击成功的概率，V_enemy为敌方价值；

搜索任务：w_search＝V_target，V_target为目标价值。

(4)任务复杂度：在Pew模型下由参数a,b决定，复杂度越高，a越小。

(5)任务紧急度：emergency＝{true,false}

3、任务决策

操作员任务处理模型选取Pew模型，方程形式如下：

其中H₁为正确决策，t为任务处理时长，p₀∈[0，1]，a>0且b为操作员参数，当b大于零，对于方程为凸曲线方程，操作员正确决策概率与任务处理时间为S型曲线，函数图像如图1所示。

本发明为取定整体回报函数，选取以下指标进行度量：

任务匹配度：当操作任务为当前任务时取1，否则为0；

操作员熟练度匹配度：

r₂＝α·u_proficiency-(1-α)·t_complexity+c₁

其中，α为熟练度权值系数，u_proficiency为操作员熟练度，t_complexity为任务复杂度，c₁为一常量系数。

操作员利用率匹配度：

r₃＝β·t_attention-(1-β)·u_{rest_rate}+c₂

其中，β为利用率权值系数，t_attention为任务注意力需求，u_{rest_rate}为操作员利用率，c₂为一常量系数。

综合以上指标，获得单个任务完成概率函数：

其中w_l代表各指标所占权重，w_l∈[0,1]，t_complexity为任务复杂度。

最后选定整体Reward函数：

其中P_ij代表操作员i完成任务j的概率值，t_jq代表任务j的第q个指标，w_jq代表任务j的第q个指标对应权值，w_jq∈[0，1]。

4、任务测试

针对不同任务情况下，不同信息推送策略会对任务成功率造成影响，整体任务流程如图2所示，计算测试结果如图3所示。

步骤二、推荐模型的训练

推荐系统框架如图4所示，包括数据预处理、算法模块以及搜索引擎。

具体步骤如下：

1、数据预处理：

数据收集：通过人机交互界面获取所需信息，包括操作员信息、任务信息、态势信息。

数据结构化：将所获取信息进行结构化，操作员信息包括操作员id，性别，年龄，熟练度，关注任务类型，注意力利用率等；任务信息包括任务类型，任务优先级，任务复杂度，熟练度需求，注意力需求，敌情探测需求，通信需求等；态势信息包括机器人信息，检测信息，任务信息等。

数据规范化：将结构化的信息按照不同信息推荐策略依次进行保存，数据格式为key值、user field、task field和message field。

2、推荐算法模块设计

特征选取：从规范化的数据中选取关键特征

训练模型：选取FFM模型，该模型使得输出不仅与输入特征有关，还与特征之间关系有关，模型样式如下，

其中部分与传统线性模型一致，后半部分引入field概念，V_i，fj表示特征x_i与特征x_j所在field的隐向量，同理，V_j,fi表示特征x_j与特征x_i所在field的隐向量，两者内积为：

表示两个特征的关联系数。

优化算法：选取自适应梯度下降算法，利用每次迭代历史的梯度平方根的和来修改学习速率，对于FFM模型，各参量梯度为：

超参数调优：包括learning rate、regularization、latent vector等超参数调优，选取合适的超参数，提高模型的收敛速率。

模型预测评估：将测试集数据导入模型，预测出推荐结果，并对结果准确度、预测时间进行计算评估，图5为模型训练结果，图6为测试集预测结果。

步骤三、推荐引擎模块设计

推荐引擎包括索引、召回和排列，对于当前操作员状态与任务信息，将不同信息推荐策略作为输入，导入FFM推荐模型，以任务成功率作为整体回报，预测的各信息推荐策略的推荐概率值，并进行排序，推荐概率值最高的信息策略作为最终推荐，并将通过人机交互界面对信息进行显示推送，人机交互界面信息推荐效果图如图7所示。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于FFM的多任务情况下态势信息分类推荐方法，其特征在于，包括如下步骤：

步骤1，构建FFM模型；所述FFM模型为传统线性模型的基础新增3个Field，分别对应操作员空间、任务空间和态势信息空间；即FFM模型为：

其中，部分与传统FFM模型的线性模型一致；

V_i,fj表示特征x_i与特征x_j所在field的隐向量；V_j,fi表示特征x_j与特征x_i所在field的隐向量；两者内积为：表示两个特征的关联系数；

各Field中，操作员任务处理模型选取Pew模型；整体回报函数Reward为：

其中，P_ij代表操作员i完成任务j的概率值，其中，a_j为任务j复杂度系数，b_i为操作员i参数，p_0,ij为任务匹配度r_1,ij、操作员熟练度匹配度r_2,ij以及操作员利用率匹配度r_3,ij的加权和；

其中，任务匹配度r_1,ij：当操作任务为当前任务时取1，否则为0；

操作员熟练度匹配度r_2,ij：

r_2,ij＝α·u_{i,proficiency}-(1-α)·t_j,complexity+c₁

其中，α为熟练度权值系数，u_{i,proficiency}为操作员i熟练度，t_j,complexity为任务j复杂度，c₁为一常量系数；

操作员利用率匹配度r_3,ij：

r_3,ij＝β·t_j,attention-(1-β)·u_{i,rest_rate}+c₂

其中，t_j,attention为任务j注意力需求，m_k为当前态势信息推荐策略中的第k个态势信息，w_j,k为态势信息m_k对第j个任务的注意力需求的影响权值；β为利用率权值系数；u_{i,rest_rate}为操作员i利用率；c₂为一常量系数；

a_j＝6-4*t_j,complexity，t_j,complexity为任务j复杂度；b＝(2～5)a；

t_jq代表任务j的第q个指标，w_jq代表任务j的第q个指标对应的权值；

步骤2，利用样本数据集对步骤1构建的FFM模型进行训练；

步骤3，将当前操作员信息、任务信息以及拟推荐的态势信息推荐策略中的态势信息输入训练好的FFM模型，获得当前态势信息推荐策略的推荐概率值；推荐概率值最大的态势信息推荐策略即为最终推荐结果。

2.如权利要求1所述的基于FFM的多任务情况下态势信息分类推荐方法，其特征在于，任务的指标中包含任务类型、任务优先级、任务复杂度、熟练度需求和注意力需求。

3.如权利要求2所述的基于FFM的多任务情况下态势信息分类推荐方法，其特征在于，根据任务类别，设定该任务的重要性指标的权值w：

空闲任务：w＝w_free＝0；

遥控任务：w＝w_remote＝p(safe∣obstacle)·V_obstacle，其中V_obstacle为环境复杂程度，p(safe∣obstacle)为环境已知情况下遥控安全的概率；

集结任务：

其中d为集结距离，d₀为集结最短距离，d_f为集结距离阈值；

打击任务：w＝w_hit＝[1-p(success∣atk)]ⁿ·V_enemy，其中p(success∣atk)为攻击力已知情况下打击成功的概率，V_enemy为敌方价值，n为任务空间中的任务个数；

搜索任务：w＝w_search＝V_target，V_target为目标价值。

4.如权利要求2所述的基于FFM的多任务情况下态势信息分类推荐方法，其特征在于，任务的指标中还包含任务紧急度。

5.如权利要求1所述的基于FFM的多任务情况下态势信息分类推荐方法，其特征在于，所述步骤2中，选取自适应梯度下降算法。

6.一种基于FFM的多任务情况下态势信息分类推荐系统，其特征在于，包括数据处理模块、FFM模型和推荐引擎；

其中，数据处理模块提取操作员、任务以及态势信息的数据；其中，操作员数据包括操作员的熟练度、关注任务类型和注意力利用率；任务数据包括任务的任务类型、任务优先级、任务复杂度、熟练度需求、注意力需求，以及与其他任务的时序和依赖关系；态势信息数据包括机器人信息、检测信息和任务信息；

FFM模型为传统线性模型的基础新增3个Field，分别对应操作员空间、任务空间和态势信息空间；即FFM模型为：

其中，部分与传统FFM模型的线性模型一致；

V_i,fj表示特征x_i与特征x_j所在field的隐向量；V_j,fi表示特征x_j与特征x_i所在field的隐向量；两者内积为：表示两个特征的关联系数；

各Field中，操作员任务处理模型选取Pew模型；整体回报函数Reward为：

其中，P_ij代表操作员i完成任务j的概率值，其中，a_j为任务j复杂度系数，b_i为操作员i参数，p_0,ij为任务匹配度r_1,ij、操作员熟练度匹配度r_2,ij以及操作员利用率匹配度r_3,ij的加权和；

FFM模型根据当前操作员信息、任务信息以及态势信息推荐策略中的态势信息，计算该态势信息推荐策略的推荐概率值；

推荐引擎对FFM输出的所有态势信息推荐策略的推荐概率值进行排序，输出推荐概率值最大的态势信息推荐策略作为最终推荐结果。