网络文本已经成为互联网上网络空间安全信息的重要载体,这些文本不仅包括最新的安全事件,如漏洞利用、数据泄露以及黑客攻击等,还包括大量的安全知识,如安全博客论坛、网络空间安全知识平台等。通过整合大规模、异构、非结构化的网络空间安全信息,对网络空间安全信息进行实体关系抽取,可以有效地掌握网络空间安全知识,辅助网络空间安全问题的解决。本文基于互联网公开的网络空间安全数据,主要研究网络空间安全命名实体识别和实体关系抽取任务。由于网络空间安全领域文本的复杂多样性,传统的命名实体识别方法难以用于识别网络空间安全实体,此领域研究尚处于起步发展阶段。针对目前网络空间安全领域实体识别的难点,本文提出了一种将数据驱动的深度学习方法与知识驱动字典方法相结合的模型Bi LSTM-DIC-ATT-CRF。实验结果表明,在公开的网络空间安全数据集上,本文所提出的方法优于其他方法,可以更有效的提取网络空间安全实体。在基于网络空间安全命名实体识别的基础上,进行网络空间安全知识的关系抽取,针对关系抽取中所面临的三元组重叠问题,本文提出了一种基于关系分解的实体关系联合抽取方法。该模型主要包含三个模块:编码器模块、关系抽取模块和实体识别模块。输入文本首先经过编码器模块生成文本词向量表示,然后对得到的文本词向量进行池化降维,从而得到文本句向量表示。此外,引入注意力机制来捕获不同单词对句子分类的重要程度。通过将这两者结合得到新的文本句向量,在关系抽取模块进行多关系分类。最后,将特定关系向量与文本词向量进行组合,在实体识别模块识别特定关系下的实体,从而生成三元组。实验结果表明,所提出的模型有效的解决了三元组重叠问题,提高了关系抽取的性能。