免费视频淫片aa毛片_日韩高清在线亚洲专区vr_日韩大片免费观看视频播放_亚洲欧美国产精品完整版

        為降低國民網(wǎng)絡(luò)安全風(fēng)險，提高人員網(wǎng)絡(luò)安全意識水平，自適應(yīng)網(wǎng)絡(luò)安全意識測評系統(tǒng)作為測評領(lǐng)域的最新理論成果，結(jié)合了自然語言處理、知識圖譜構(gòu)建、基于認(rèn)知診斷的自適應(yīng)測試等前沿技術(shù)，是人工智能在測評領(lǐng)域的新應(yīng)用，具有重大的現(xiàn)實意義和應(yīng)用價值。本文闡述了測評系統(tǒng)的理論模型和各關(guān)鍵技術(shù)的研究發(fā)展現(xiàn)狀。首先介紹了測評系統(tǒng)的模塊框架構(gòu)成，然后根據(jù)模塊內(nèi)容具體分析了主要研究問題、主流思想和研究進展等，剖析了現(xiàn)有方案的優(yōu)勢與不足，最后對技術(shù)的未來研究方向進行了展望。

本文引用格式：

齊斌，鄒紅霞，王宇，等.自適應(yīng)網(wǎng)絡(luò)安全意識測評系統(tǒng)研究綜述[J].兵器裝備工程學(xué)報，2018,39(11):140-146.

Citation format: 

QI Bin, ZOU Hongxia, WANG Yu, et al.Review of Adaptive Evaluation System of Cybersecurity Awareness[J].Journal of Ordnance Equipment Engineering,2018,39(11):140-146.

 自然語言處理

        自然語言處理，又稱自然語言理解或“計算語言學(xué)”，是當(dāng)前人工智能領(lǐng)域中較為重要研究方向，目的在于通過計算機自動理解并生成人類日常通用語言。自然語言處理技術(shù)在英語等規(guī)范語種的國家取得了相對成熟的應(yīng)用，但中文語句因具有一詞多義、一語雙關(guān)等歧義特性，句子的深層語義分析、句法及語用分析難以達到理想效果。

2.1 基于語義文法的NLP

        正文內(nèi)容語義文法可用4元組G= (VT,VNT,S,R)表示，其中VT表示語義文法中的終結(jié)符，VNT表示語義文法中的非終結(jié)符，S表示語義文法的開始符集合，R表示語義文法中的確定型產(chǎn)生式集合。

        語義文法描述語言的優(yōu)勢是可以提供語句中豐富的語義結(jié)構(gòu)，為降低語義文法設(shè)計難度，PALOGIANNID等[8]利用眾包收集文法學(xué)習(xí)所需的語料，通過設(shè)置不同模塊收集語料并利用困惑度模型從語料中抽取質(zhì)量較高的部分用于語義文法中的語義類學(xué)習(xí)。GEORGILADAKIS等[9]在學(xué)習(xí)Non-temimal型規(guī)則時融入了語義特征，在文法學(xué)習(xí)不同階段融入數(shù)據(jù)驅(qū)動分析方法來提高文法學(xué)習(xí)的覆蓋度。部分學(xué)者通過計算未識別文本段與已有文法規(guī)則的相似度，同已知規(guī)則相匹配，從而推理出新文法規(guī)則[10]。GASPERS等[11]采用弱監(jiān)督方法來學(xué)習(xí)語義文法，并基于語料給規(guī)則賦予權(quán)重，著重考慮了語義理解系統(tǒng)，避免數(shù)據(jù)的錯誤傳輸。WANG等[12]在語義文法的訓(xùn)練中將關(guān)聯(lián)領(lǐng)域知識融入到統(tǒng)計模型中輔助對語料的語義標(biāo)注，從而可以大量減少訓(xùn)練語料。

        人機交互過程中，輸入的自然語言通常是不規(guī)范的，對NLP的魯棒性、容錯性提出了較高的要求。為解決自然語言的非規(guī)范輸入，語義文法的解析過程可直接對輸入的部分片段解析，生成解析樹再被轉(zhuǎn)化成語義框架，利用啟發(fā)式規(guī)則進行整合。

2.2 基于機器學(xué)習(xí)的NLP

        基于機器學(xué)習(xí)的NLP可以極大地降低文法設(shè)計復(fù)雜性，魯棒性及可移植性較強，通常采用的機器學(xué)習(xí)方法如貝葉斯分類器、VSM模型構(gòu)造分類器等，但因產(chǎn)生無層次的分類，不帶有嵌入變元的結(jié)構(gòu)，所以不適用于語句結(jié)構(gòu)分析。

        為提高語義理解的準(zhǔn)確度和改善結(jié)構(gòu)性問題，WU[13]提出了一種弱指導(dǎo)學(xué)習(xí)的限定領(lǐng)域自然語言處理方法，通過使用主題分類器識別語句的主題，再根據(jù)已經(jīng)訓(xùn)練好的槽分類器從語句中提取出槽值序?qū)?，最終生成句子的語義表示。Psarologou[14]在前人研究的基礎(chǔ)上，將HMMs與n元語法模型相結(jié)合來刻畫自然語言，通過語料標(biāo)注進行訓(xùn)練，實現(xiàn)了處理帶嵌套語義結(jié)構(gòu)的功能，進一步提高了語義層次的理解與識別。

2.3 基于規(guī)則與統(tǒng)計相結(jié)合的方法

        基于文法規(guī)則的NLP能夠獲得語句的結(jié)構(gòu)信息，基于統(tǒng)計方法容錯性較高，對于某些領(lǐng)域來說使用單一的方法不能滿足現(xiàn)實需求，所以通常將兩類方法以不同的方式進行結(jié)合。

        隨著目前語言訓(xùn)練數(shù)據(jù)累積得越來越多，NLP系統(tǒng)主要以數(shù)據(jù)驅(qū)動方法為主。微軟研究院 Wang等[15]提出了一種將統(tǒng)計模型與語義文法相結(jié)合的語言理解系統(tǒng)，該系統(tǒng)首先采用SVM和Naive Bayes等分類器識別用戶的查詢意圖，再根據(jù)識別出的查詢意圖選擇與其相關(guān)的文法對句子進行解析，并最終依據(jù)解析結(jié)果生成句子的語義表示。該方法充分結(jié)合了統(tǒng)計模型的魯棒性以及語義文法能夠生成復(fù)雜結(jié)構(gòu)的特性。為克服領(lǐng)域訓(xùn)練語料不足的問題，WANG等[16]又通過將領(lǐng)域知識(領(lǐng)域?qū)＜叶x的語義框架)與條件隨機模型結(jié)合進行語義理解，提高了識別效果。

2.4 深度文本匹配

        隨著深度學(xué)習(xí)的快速發(fā)展，基于深度學(xué)習(xí)的自然語言處理逐漸受到重視。深度學(xué)習(xí)模型便于描述自然語言中的層次結(jié)構(gòu)，直接從數(shù)據(jù)中學(xué)習(xí)并模擬出規(guī)則或特征以描述語言規(guī)律，提高處理精度[17]。

2.4.1 基于單語義文本表達

        基于單語義的深度學(xué)習(xí)模型是通過將兩個待匹配的對象經(jīng)深度學(xué)習(xí)生成高維度稠密向量，用相似度度量兩個對象的匹配度，一般可根據(jù)全連接神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)等繼續(xù)劃分。

深度語義結(jié)構(gòu)模型[18]主要針對查詢項和文檔的匹配度進行建模。為提高語義判斷的準(zhǔn)確度，微軟研究院提出了基于單詞序列的卷積深度語義結(jié)構(gòu)模型[19]。Hu等[20]提出了ARC-I模型，將句子表達為定長向量，拼接一個全連接的多層神經(jīng)網(wǎng)絡(luò)。Qiu等 [21]提出CNTN模型，使用張量神經(jīng)網(wǎng)絡(luò)作為相似度度量來建模兩個文本向量之間的關(guān)系。為解決CNN深層匹配結(jié)構(gòu)無法表達遠(yuǎn)距離依存關(guān)系和復(fù)雜語義的問題，Palangi等[22]提出基于長短時記憶(Long Short Term Memory,LSTM)的文本匹配模型，將查詢項和文本表達成向量的形式，余弦距離計算相似度并輸出匹配值。

        單語義表達具有易于數(shù)據(jù)儲存、計算速度快等優(yōu)勢，適合對存儲和速度要求都比較高的任務(wù)。缺陷表現(xiàn)為：匹配不具備傳遞性，對局部化信息的有效性要求較高，壓縮句子的過程中信息損失嚴(yán)重。

2.4.2 基于多語義文本表達

        為解決單語義模型的缺陷，考慮文本的局部性表達和全局性表達以及向量的相似程度，多語義模型生成局部短語表達進行匹配。

        Socher等[23]提出了一種遞歸神經(jīng)網(wǎng)絡(luò)，可伸展遞歸自動編碼器uRAE，對兩段文本進行句法分析并自動構(gòu)建句法樹，作為遞歸自動編碼器樹狀連接的結(jié)構(gòu)，通過匹配相似度矩陣表現(xiàn)匹配關(guān)系。Yin等[24]提出使用卷積神經(jīng)網(wǎng)絡(luò)分別得到不同層面的文本表達，將向量拼接或建模向量相似度得到最終的匹配值。因RNN在掃描句子的過程中能夠從不同位置分別輸出表達，Wan等[25]提出了多視角循環(huán)神經(jīng)網(wǎng)絡(luò)MV-LSTM，形成了由不同中心詞產(chǎn)生的多個視角表達的集合，效果提高明顯。

        多語義文檔表達豐富了語義信息，模型仍然有如下缺陷：依賴句法樹算法的準(zhǔn)確性難以保障，魯棒性不足；無法區(qū)分局部化信息的重要性，因語言多義性難以整合局部和全局信息；僅對兩個對象獨立提取特征，難以捕獲匹配中的結(jié)構(gòu)信息。

2.4.3 直接建模匹配模式

        直接建模匹配模式的深度學(xué)習(xí)模型，兩段文本的匹配主要是關(guān)注關(guān)鍵詞及其相對位置的匹配，再結(jié)合文本的語義對匹配程度進行評估。

        主題深度匹配模型[26]包含局部匹配層和綜合層兩個部分，局部匹配層將輸入的文本對表達為多個局部匹配結(jié)果，綜合層是一個多層神經(jīng)網(wǎng)絡(luò)，將得到的局部匹配結(jié)果進一步綜合并形成綜合的最終匹配結(jié)果。樹深度匹配模型[27]采用依存樹作為文本的表示，每一個局部匹配模型都對應(yīng)一個子樹對，而匹配模型的輸出取決于輸入的句子對是否含有這兩個子樹對所表示的依存結(jié)構(gòu)。

        直接建模匹配模式初始將文本交互得到細(xì)粒度的匹配信息，避免了細(xì)節(jié)匹配信息丟失，但需要大量有監(jiān)督文本匹配的數(shù)據(jù)訓(xùn)練，存在預(yù)測消耗資源大，難以單獨計算文本的特征等缺陷。因此這類模型一般都是用于問答系統(tǒng)、對話系統(tǒng)等匹配程度高、句式變化復(fù)雜的任務(wù)。

        針對我國國民網(wǎng)絡(luò)安全意識不強的現(xiàn)實性問題，網(wǎng)絡(luò)安全意識測評系統(tǒng)應(yīng)運而生，受到了各界的重視并逐步展開了深入研究。但測評系統(tǒng)在上述領(lǐng)域小結(jié)的基礎(chǔ)上仍需注重并加強以下方向的研究。

        1) 理論、模型的創(chuàng)新研究。技術(shù)的創(chuàng)新性研究往往需要科學(xué)的理論作為支持，測評系統(tǒng)的核心是知識系統(tǒng)的完善，當(dāng)前網(wǎng)絡(luò)安全領(lǐng)域仍需要進一步研究知識體系等框架性知識結(jié)構(gòu)。網(wǎng)絡(luò)安全意識測評系統(tǒng)的理論模型非本文所述的單一模型，故構(gòu)建更為合理、高效的測評系統(tǒng)模型是理論創(chuàng)新與研究的重心。

        2) 多領(lǐng)域模型的融合性研究。自然語言處理模型等，知識圖譜技術(shù)的知識融合、推理模型等，針對不同應(yīng)用領(lǐng)域存在著不同的優(yōu)勢和不足，因此自主選用不同模型或者相應(yīng)模型的優(yōu)勢融合、跨領(lǐng)域模型等也是研究的重要方向。

        3) 交叉學(xué)科的應(yīng)用研究。本質(zhì)上，自適應(yīng)網(wǎng)絡(luò)安全意識測評系統(tǒng)是交叉學(xué)科的應(yīng)用研究，即融合以計算機教育學(xué)、網(wǎng)絡(luò)安全、人工智能、計算語言學(xué)等多個領(lǐng)域的綜合性系統(tǒng)研究，因此在關(guān)鍵技術(shù)研究時應(yīng)加強多領(lǐng)域?qū)W科的知識融合，以完善整體系統(tǒng)。

        4) 基于深度學(xué)習(xí)的數(shù)據(jù)挖掘。深度學(xué)習(xí)、遷移學(xué)習(xí)、加強學(xué)習(xí)等技術(shù)作為大數(shù)據(jù)處理的優(yōu)勢方法，應(yīng)針對在文本匹配、參數(shù)估計、語義理解等關(guān)鍵技術(shù)上提高訓(xùn)練集和模板的準(zhǔn)確性和訓(xùn)練效率。