微博作为社交网络中最为主要数据来源之一,具有短文本、高实时、传播迅速、用户量大的特点,不同于传统媒体或新闻具有的严谨性,微博信息同时也具有发布的内容长短不一、信息噪声化、口语化等特点。如何从社交网络微博大数据中提取有关国家安全的突发事件内容画像,并将其进行搜索已经成为目前社交网络舆情分析和监管的急切需求。基于大量短文本,提取其中有效的特征,从而提取出实体名和实体关系,是构建知识图谱的关键。本文将以知识图谱为基础构建有关国家安全的突发事件内容画像,并基于知识图谱对突发事件进行搜索。本文完成的主要工作如下:(1)提出了社交网络信息的实时采集方法与基于word2vec的文本向量与辅助向量感知模型,以实现社交网络信息的语义特征感知与获取。通过建立国家安全关键词词库,对社交网络国家安全信息进行实时采集,过滤社交网络数据中广泛存在的噪声信息,对社交网络国家安全有效数据进行存储。结合社交网络数据时间信息、空间位置信息、用户信息等,对社交网络国家安全数据的时空特性进行感知与获取。利用word2vec、LTP等对社交网络国家安全信息进行预处理,获取更加精准的有效信息。(2)提出了基于迭代膨胀卷积神经网络与注意力机制的实体名识别算法和基于BERT-BRGU-CRF与双注意力机制的实体关系抽取算法,以提取社交网络文本中的实体名信息与实体关系信息。通过深度学习、预训练学习、注意力机制引入等方法,对突发事件的语义表征进行深度学习。BERT模型进行预训练后,再利用BGRU模型进行微调,之后引入双注意力机制,结合CRF模块使关系抽取的precision、recall、Fl-score值比传统关系抽取模型显著提升。(3)提出了基于深度特征学习的社交网络中危害国家安全的突发事件内容画像与搜索。包括基于知识图谱的突发事件内容画像生成模型与基于BERT的知识库事件搜索。通过哈希列表对实体节点进行实体对齐和冲突消解,利用NE04J数据库对实体和实体关系进行可视化展示。基于BERT的知识库事件搜索算法利用三元组搭建基础知识库,作为知识图谱的外部引用。对搜索文本进行基于BERT的属性匹配训练,得到预选的属性列表,将搜索文本和预选属性投入训练好的BERT模型中得到各属性列表的概率排序,依次对知识库进行检索,得到与属性概率值最高的匹配文本,从而实现突发事件的文本搜索。对比传统的文本相似度匹配,基于BERT的知识库搜索算法提高了搜索文本的准确率,利用外部知识库三元组补充和完善了属性的类别,对属性的提取做了一定程度的改善,利用知识库也成功的使得知识图谱的内容更加完整。(4)结合以上三个方面的研究内容,实现了社交网络中危害国家安全的突发事件内容画像与搜索系统。系统分为三个功能模块:社交网络中危害国家安全的突发事件的信息获取与表达、社交网络中危害国家安全的突发事件的深度语义学习、基于深度特征学习的社交网络中危害国家安全的突发事件内容画像与搜索。