A novel feature integration and entity boundary detection for namedentity recognition in cybersecur
原文链接：https://www.sciencedirect.com/science/article/pii/S0950705122012102?via%3Dihub
Knowledge-Based Systems 2023
介绍
问题
网络安全领域的威胁情报数据大多是非结构化的多源异构文本，难以在短时间内理解。利用知识图谱（KG）能够自动实时的对情报进行分析，其中NER能够识别与网络攻击相关的实体，是KG的关键技术之一。
作者认为虽然依存树能够捕获远距离的结构化信息来丰富语义表征，但目前对于这种结构化特征的利用大多都是进行线性堆叠，没有在不同网络之间进行交互；另外，现有的模型对网络安全中复杂实体的边界不敏感。
IDEA
作者提出了FIEBD模型（feature integration and entity boundary detection model），使用PERT来获取文本的嵌入，提出了一种新的神经元GARU用于融合GNN和RNN中提取的不同类型特征；另外，使用实体边界检测模块对实体头尾进行预测作为增强任务。
介绍
模型的整体结构如下图所示，首先获得word的embedding，使用多个GAT模块充分的在word之间进行交互；然后使用作者提出的GARU得到每个word的隐含特征，使用多头自注意力进行交互，最后结合边界信息送入到CRF中进行实体识别。
Embedding layer
本文中word embedding是由word-level embedding（来自在cybersecurity-related语料库进行预训练的Word2Vec的word embedding，和PERT的word embedding）、character-level embedding（通过一个CNN得到）、dependency relation embedding和part-of-speech tag embedding（两者都来自stanfor nlp工具）concat而来。
Hidden layer
Graph attention network layer
给定一个句子的表征 e = [e1，e2，......，en]，将每个单词的表征ei都作为图中的节点，即
，在
中执行自注意计算节点k的特征对节点i的重要性：
然后对不同的k使用softmax和LeakyReLU进行归一化计算，便于比较不同节点的系数：
最后，有k个独立注意力机制进行转换（说实话，没看懂这些公式？）：
GARU layer
作者认为之前的模型将GNN提取的结构信息，送入到RNN中来获得表征存在两个问题：1）图编码的表征质量是不确定的；2）GNN和RNN之间交互的隐藏特征具有隐秘性和不可控性。因此作者提出一种图递归神经元GARU。
该神经元的结构和计算方式如下所示，每个实践部，同时输入word 表征和图编码的表征，在该单元独立决定使用和传递哪些上下文和图表征。
在作者提出的模型中，基于Bi-RNN提出了Bi-GARU来从不同方向获得表征：
Attention layer
使用多头注意力来获取不同表征空间的多维特征，即单词之间的内在关系。给定隐藏表征H=[h1,h2，......，hn]，按以下公式计算：
Entity boundary detection layer
该模块作者使用两个Bi-LSTM 层来分别检测实体的start和end：
该模块的输出用于两个地方：1）与注意力层的输出相结合，以丰富上下文表征，其计算公式如下：
2)放入头部实体预测器和尾部实体预测器中，得到预测的实体边界概率（这一块用于模型的的边界损失，以此来训练Bi-LSTM的效果）:
CRF layer
给定entity boundary detection layer中的隐藏状态H，使用CRF层进行实体标签预测：
Model training
模型使用边界回归的交叉熵损失Lb和实体分类损失Le进行训练：
实验
对比实验
作者分别使用Word2Vec和PERT这两个模型的word embedding，结果如下所示：
消融实验
对主要模块进行了实验，结果如下所示：
可以看出-pos模块对模型的影响还挺大的（但是该论文也没有代码！晦气！下次一定要先看开源没有！）
结论
感觉本文的主要创新点就在于，提出了GARU来融合图提取出的结构信息和RNN的序列信息，但是消融实验的结果看出这一块并没有很大的影响；另外，作者还提出了边界检测模块，用Bi-LSTM来分别检测头和尾的信息，并和GARU输出的信息进行融合，用于最后的CRF，消融实验中这一部分的影响还挺大的，但是没有代码！