网络产品遭受的攻击变幻莫测,随之产生多种形式的漏洞,且漏洞数量逐年增加,通过舆情对产品信息安全质量进行评价,及时发现产品存在的安全问题对网络空间安全、用户信息财产安全至关重要。针对市场上网络产品种类众多、安全质量评论信息海量且碎片化、信息之间缺少关联性等挑战,开展了面向产品信息安全评估的知识图谱研究,整合海量网络产品安全信息,进行高效地分析、挖掘,获取有用的安全信息。主要工作如下:(1)提出了一种基于强化特征的实体识别方法。该方法是在BiLSTM—CRF网络模型的基础上进行改进,首先利用人工制定的特征模板提取出文本的局部特征,然后使用深度学习网络BiLSTM自动学习全局特征,将二者的结果联合起来组成强化特征,输入到条件随机场模型,获得最终的实体序列标注。(2)提出了基于语义相似度的远程监督关系提取方法。利用外部的知识库与文本集进行对齐,自动标注样本,构建出语料集,无需人工标注,能够提高标注效率。针对远程监督方法会导致错误标注的问题,提出了语义相似度去除噪声的方法,度量知识库中的关系词语与句子依存词语之间的相似度,以此去除错误标注的样本。将去除噪声后的训练语料输入到分段卷积神经网络中,自动学习句子语义特征,进行关系抽取。(3)提出了基于S型曲线函数的产品漏洞评估算法。该算法结合漏洞数量和漏洞分值,给出了函数曲线,很贴近真实漏洞情况,可以简单快速对产品进行质量评估。实验结果表明,强化特征的实体识别方法在产品漏洞相关数据集上的准确率高于其他模型;基于语义相似度的远程监督关系抽取方法能够有效地去除噪声数据,改善关系抽取模型的效果;基于S型曲线函数的产品漏洞评估算法能够简单快速准确地反映产品整体风险。