基于多特征的信息安全事件语料标注方法

郭婷婷，刘嘉勇

（1.四川大学电子信息学院，成都 610065；2.四川大学网络空间安全学院，成都 610065）

0 引言

事件语料标注本质是事件提取，即从新闻报道等非结构化文本中提取出包含事件信息的要素，并以结构化形式呈现。事件抽取采用的方法主要有两种，模式匹配和机器学习[1-2]。其中模式匹配是领域专家结合领域知识和语言知识构建目标信息的上下文约束环境及组成规则，抽取时通过各种模式匹配算法找出符合模式约束条件的信息，该方法准确率比较高，但是成本高而且领域移植性差。机器学习方法将事件抽取看成分类问题，人工干预较少，是目前常用方法，抽取结果的好坏取决于构建的分类器以及所选取的特征，构建的分类器需要训练才能达到较好的效果，此时作为训练文本来源的语料库就很重要了。

目前常用的事件语料库主要有自动内容抽取评测会议提供的ACE语料[3-4]、美国高级研究发展学会主办的问题回答系统中的时间和事件的识别会议的Time⁃Bank语料[5]以及上海大学语义智能实验室构建的中文突发事件CEC语料[6]。ACE评测会议将事件抽取这项任务定义为：识别特定类型的事件并进行相关信息的确定和抽取，关注的主要信息包括，事件的类型和子类型、事件元素角色等，ACE评测语料中定义了8个大的事件类型和33个事件子类，但是并不包括信息安全类事件，每种事件对应唯一的模板；TimeBank语料标注了事件、时间、时间指示词以及事件和时间之间的关联关系等它采用了一种改进的XML语言TimeML进行标注，更关注事件的时间信息。CEC语料采用XML语言作为标注格式，其中包含了事件（Event）标签和其他5个事件要素：触发词（Denoter）、时间（Time）、地点（Lo⁃cation）、参与者（Participant）和对象（Object）。

与ACE和TimeBank语料库相比，CEC语料库的规模虽然偏小，但是它对语料的标注更全面，也与本文期望的信息安全事件语料中兴趣点更贴合。目前国内缺少大规模的信息安全语料库作为研究工作的支撑，本文在学习CEC语料库标注规范基础上，人工对语料进行标注。在传统事件识别只利用词汇、词性信息构造特征向量的基础上，引入词与父节点的关系和语义角色来构造特征向量，采用CRF机器学习算法实现事件语料标注。

1 事件模型

1.1 事件定义

事件作为一种信息的表现形式，是指特定人、物在特定的时间，地点发生相互作用的客观事实，通常是句子级的。现在还有一些跨篇章的事件抽取，针对的是以某个主题为中心的一组事件描述，但本文研究的标注方法致力于句子级的事件描述，对于篇章类的描述，首先会进行段落和句子的切分，然后再做事件要素的标注，事件要素就是事件中关注的兴趣点，事件要素又包括触发词（Denoter）和事件元素（Time、Location、Par⁃ticipant、Object）。

1.2 CCEECC语料标注规范分析

中文突发事件语料库（CEC）是由上海大学所构建，从互联网上收集5类（交通事故、地震、恐怖袭击、火灾和食物中毒）突发事件的新闻报道作为生语料，然后再对生语料进行文本预处理、文本分析、事件标注以及一致性检查等处理，最后生成的XML结构的标注结果。

对于一篇新闻报道，CEC语料标注方法首先将所有内容封装到中，文章标题标记为