基于深度学习的网络敏感信息感知研究

发布时间：2021-11-28 09:11

　　网络信息服务范围逐步扩大,呈现出明显的智慧化与精细化特征。频繁的互联网行为产生大量信息,导致网络信息量庞大难以处理;网络空间具备开放性、强交互性、高隐蔽性且传播速度快等特点,已成为不法分子开展危害社会公共安全活动的主战场,对国家安全部门在网络治理模块的行动策略及手段提出了更高要求。本文着眼于海量网络信息中的文本信息类型,提出一种基于深度学习方法的网络敏感信息感知方法及模型,针对网络文本信息分别开展特征提取与中文命名实体识别。在繁杂的网络信息中,存在大量敏感性文本信息,文本信息自身具有一词多义、歧义、断句不明晰等问题,在文本分析处理过程中造成极大的噪声干扰,加之网络空间中信息流速快,致使情报分析部门不能迅速获取或拦截信息,也很难从中剖析出大量有价值、可利用的信息。尽管大数据技术日趋成熟,也成功应用于各行各业,但针对大规模杂乱的文本数据,大数据技术显然已达不到数据处理高效性与精准性的要求,故而选取深度学习方法,在提升效率的同时更全面地获取深层信息。首先选取了稀疏自编码器提取网络短文本特征,利用稀疏自编码器的主动学习过程,使目标短文本由高维向量转化为低维向量,剔除干扰项,确保低维向量中包含原... 

【文章来源】：湖北工业大学湖北省

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

涉恐人名、地名、组织机构名词云

【参考文献】：
期刊论文
[1]基于多语义因子分层聚类的文本特征提取方法[J]. 王靖,柳青,张德海,赵华,杨云.  计算机应用研究. 2020(10)
[2]面向多标签文本分类的深度主题特征提取[J]. 陈文实,刘心惠,鲁明羽.  模式识别与人工智能. 2019(09)
[3]基于CRF的藏文地名识别技术研究[J]. 头旦才让,仁青东主,尼玛扎西.  计算机工程与应用. 2019(18)
[4]基于BiLSTM-CRF的商情实体识别模型[J]. 张应成,杨洋,蒋瑞,全兵,张利君,任晓雷.  计算机工程. 2019(05)
[5]基于BLSTM-CRF模型的安全漏洞领域命名实体识别[J]. 张若彬,刘嘉勇,何祥.  四川大学学报(自然科学版). 2019(03)
[6]基于深度主动学习的信息安全领域命名实体识别研究[J]. 彭嘉毅,方勇,黄诚,刘亮,姜政伟.  四川大学学报(自然科学版). 2019(03)
[7]植物属性文本的命名实体识别方法研究[J]. 李冬梅,檀稳.  计算机科学与探索. 2019(12)
[8]深度学习实体关系抽取研究综述[J]. 鄂海红,张文静,肖思琪,程瑞,胡莺夕,周筱松,牛佩晴.  软件学报. 2019(06)
[9]基于深度学习的文本表示方法[J]. 李枫林,柯佳.  情报科学. 2019(01)
[10]基于CNN和BiLSTM网络特征融合的文本情感分析[J]. 李洋,董红斌.  计算机应用. 2018(11)



本文编号：3524145