吴习沫，朱广宇，张 雷

(华北计算机系统工程研究所，北京100083)

0 引言

互联网已成为信息传播的普遍途径，然而，由于互联网中的冗余信息过多，各网站提供的标签没有统一的分类标准，使得整合某一特定类的文章信息所消耗的时间成本和人力成本增加。但目前为止，针对网络安全类网站的技术类文章，还没有一套系统能够很好地解决上述对应问题。

为迅速掌握最新的网络安全信息，本文设计并实现了基于CNN和LSTM混合模型的安全类文章多文本分类系统，该系统从多种来源收集安全类技术文本，并将它们以特定格式汇总，自动标记汇总后的文章内容。就信息收集而言，系统主要采集近一年的安全类技术文本，收集的目标内容主要包括文章内容和网页自带的标签，对于各网站自定义的文章标签，可作为多标签的一部分，供用户参考。安全类文本与普通文本对比需要由多个标签对其进行标记分类处理。因此安全类文本的分类要难于普通文本分类处理。

面向网络安全数据高并发的安全类网站，本文设计和实现了信息采集模块，该模块主要实现了基于Scrapy框架的分布式爬虫程序设计，完成了多个安全类网站技术类文章的文本信息数据采集。

本文设计并实现了信息分类模块，它负责对所获得的数据进行预处理、文本表示以及文本分类，其中文本分类模块具体提出了一种基于CNN和LSTM的混合分类模型，它综合了CNN与LSTM的优点，提高了模型的特征提取能力。……