Descubrir conocimiento táctico tiene como objetivo extraer datos tácticos derivados de datos de señales de campo de batalla, lo cual es vital en la guerra de la información. El aprendizaje y razonamiento a partir de la información de señales de campo de batalla puede ayudar a los comandantes a tomar decisiones efectivas. Sin embargo, los métodos tradicionales son limitados en la captura de representaciones secuenciales y globales debido a su dependencia de conocimientos previos o ingeniería de características. Los modelos actuales basados en aprendizaje profundo se centran en extraer características conductuales implícitas de datos de procesos de combate, pasando por alto el conocimiento marcial incrustado en el reconocimiento de intenciones de combate. En este trabajo, abordamos el desafío anterior proponiendo un canal de fusión dual que introduce el aprendizaje de representación de gráficos en el aprendizaje de secuencias para construir gráficos de secuencias de comportamiento táctico que expresan conocimiento marcial implícito, denominado TBGCN. Específicamente, el TBGCN utiliza el aprendizaje de representación de gráficos para representar conocimientos previos mediante la construcción de un gráfico para inducir paradigmas de aprendizaje profundo, y el aprendizaje de secuencias encuentra la representación oculta de los datos serializados del objetivo. Luego, empleamos un módulo de fusión para combinar estas representaciones. La importancia de integrar gráficos con aprendizaje profundo radica en el uso de la experiencia artificial de la estructura de gráficos implícita que guía el aprendizaje adaptativo, lo que puede mejorar la capacidad de representación y la generalización del modelo. Los extensos resultados experimentales demuestran que el TBGCN propuesto puede descubrir eficazmente conocimiento táctico y superar significativamente a los métodos tradicionales y de aprendizaje profundo.