GRID：面向安全文本知识图谱构建的情报数据图表示

安全知识图谱可以为安全代理提供可计算的外部记忆，但从长篇网络威胁情报（CTI）构建它们仍然困难：LLM常常缺乏有根据的安全领域知识，而端到端文档到图谱训练难以用廉价稳定的奖励进行监督。我们提出GRID（Graph Representation of Intelligence Data），一个用于安全文本知识图谱构建的端到端框架。GRID首先从CTI文章构建安全领域监督，通过图抽取和知识图谱条件化文本修订创建可追溯的文章-图谱对齐。随后它把文档到图谱学习转化为一个脚本化任务库，将四选项多选题与三元组级正则匹配目标相结合，相比反复用LLM评审为完整图谱输出打分，能产生更稳定的任务特定奖励。利用该监督流水线，我们训练了两个基于Qwen3-4B-Instruct-2507的4B抽取器：主模型Task-bank Reward模型，以及辅模型End2End Reward模型（使用LLM即评审的精确率/召回率奖励）。在来自GRID、CASIE、CTINexus、MalKG和SecureNLP的249篇CTI文章上，结合本体引导GRID抽取流水线的Task-bank Reward模型达到84.62%的源平均精确率、64.91%的源平均召回率和68.53%的Avg F1，以更低的token用量与部署成本取得最佳源平均召回率和接近最佳的Avg F1。End2End Reward模型达到76.91%精确率、53.85%召回率和58.06%的Avg F1。进一步分析表明，任务库奖励可离线一次性构建并在后续后训练中复用，优于在线端到端LLM即评审奖励以及Choice-only Reward、无RL的End2End SFT等更弱的替代方案。