Apr, 2015

针对网络安全概念的关系抽取框架

PDF
TL;DR本论文介绍了一种利用半监督自然语言处理和引导式算法从文本中提取安全实体与其关系的方法，并在小型语料库上进行测试，结果表明可以较高准确地实现此目的。
security analystsinformation retrievalnatural language processingbootstrapping algorithmsecurity entities
发现论文，激发创造
  • 网络安全实体抽取的自动标注

    本文介绍了一种利用结构化数据来自动标注文本的精确方法，并提供一个标注了网络安全实体的语料库。我们使用平均感知器上的最大熵模型对我们的语料库进行训练，训练时间不到 17 秒，并实现了接近完美的精确度、召回率和准确性。

    Aug, 2013

  • 使用语法搜索和示例引导关系抽取器

    本文提出了一种用于快速启动训练数据集的过程，利用搜索引擎在句法图上获取正例，我们将此技术应用于 TACRED 和 DocRED 的关系，其结果模型与手动注释数据和远程监督方法所训练的模型相比具有竞争力，并且优于使用 NLG 数据增强技术所训练模型的模型。扩展基于搜索的方法使用 NLG 方法可以进一步提高结果。

    Feb, 2021

  • 信息提取：在发展中国家超本地金融数据领域的应用

    本研究使用自然语言处理技术，旨在解决获取发展中国家公司财务数据的问题。通过构建专门针对发展中国家金融文本数据的数据集，我们采用基于 Transformer 的 T5 模型进行文本到文本的处理，同时进行命名实体识别和关系提取，达到 92.44% 的准确率、68.25% 的精确度和 54.20% 的召回率。同时，我们还使用 SpaCy 进行序列处理，包括预训练和微调模型的命名实体识别以及使用 SpaCy 的依赖解析器输出和一些启发式方法来确定实体关系，最终实现了 84.72% 的准确率、6.06% 的精确度和 5.57% 的召回率。

    Mar, 2024

  • 基于多特征的语义增强网络在威胁情报中的命名实体识别应用

    提出一种语义增强方法，该方法结合了不同的语言特征以识别和分类非结构化文本中的网络安全名称和概念，实验证明该方法有效。

    Jul, 2022

  • 关系抽取在临床文档理解中的应用

    该文介绍了一种文本挖掘框架，利用 Named Entity Recognition 和 Relation Extraction 模型对医学文献和数字临床记录进行处理，取得优异的实验结果，并构建了一个生物医学知识图谱。系统使用 Spark NLP 库提供的生产级、可伸缩、硬件优化、可训练和可调整的 NLP 框架。

    Dec, 2021

  • 无监督开放式关系抽取

    在无监督环境下，我们探讨了从自由文本中提取命名实体之间关系的方法。除了标准特征提取外，我们还开发了一种重新加权词嵌入的新方法。我们使用单个特征降维缓解了特征稀疏性问题。我们的方法在 NYT-FB 数据集上获得了 F1-score 为 0.416 的显着提高，优于现有技术水平 5.8%。

    Jan, 2018

  • 从文本中识别和提取与网络安全相关的实体

    建立 CTI 数据集，使用 spaCy 框架和自我学习方法训练和测试网络安全实体模型，并探索将其与 Wikidata 的现有世界知识相链接的方法。

    Aug, 2022

  • 基于模式增强嵌入学习的弱监督关系抽取

    本研究提出了一种基于分布式方法和基于模式方法集成的弱监督关系提取模型，通过共同训练两个模块，实现在标记数据不足的情况下提高识别准确率的目的。在实验中，该模型成功完成了知识库补全和语料库级别关系提取任务。

    Nov, 2017

  • 预训练语言模型在网络安全研究文献中的概念提取表现低劣

    利用大语言模型（LLMs）从网络安全相关文本中提取相关实体，以识别发展趋势和监测新兴趋势，研究结果表明 LLMs 的知识实体并不完全反映网络安全的上下文，但名词提取器在此领域具有潜力。通过统计分析，开发了一种名词提取器，可从领域中提取特定且相关的复合名词。通过测试模型在 LLM 领域中识别趋势，观察到一些限制，但它能够提供有关新兴趋势演变的有希望的结果。

    Dec, 2023

  • 从生物医学文本中无需提及级别监督即可同时连接实体并提取关系

    提出一种无需实体级别监督的实体链接和关系抽取模型，避免了流水线方法中产生的级联错误，并在两个生物医学数据集上优于最先进的实体链接和关系抽取流水线，极大地提高了系统的总体召回率。

    Dec, 2019