[发明专利]一种敏感数据自动识别与分类的方法

权利要求书

1.一种敏感数据自动识别与分类的方法，其特征在于：包括如下步骤：

步骤一：建立基础数据语料库；

步骤二：敏感特征提取，建立敏感词汇语料库；

步骤三：对分类和识别目标提取敏感特征，与敏感词汇语料库进行匹配，完成敏感数据的自动识别。

2.根据权利要求1所述的敏感数据自动识别与分类的方法，其特征在于：在步骤一中，采用分词技术，对训练数据集进行预处理，剔除无意义的词汇，获得词汇集。

3.根据权利要求2所述的敏感数据自动识别与分类的方法，其特征在于：分词技术包括英文词汇的Stremming处理，和/或中文词汇的字典法分词处理。

4.根据权利要求2所述的敏感数据自动识别与分类的方法，其特征在于：在步骤一中，根据TF-IDF对词汇集进行处理，计算出每个词汇的向量权值；当一个词在所有训练数据集中出现的频率越高时，这个词的重要性也就越高，表明这个词的向量加权值越高。

5.根据权利要求1至4任一项所述的敏感数据自动识别与分类的方法，其特征在于：在步骤二中，在获得基础数据语料库后，手工对基础数据语料库进行识别和分类，选取其中具有代表意义的，可被标示敏感数据的词汇，形成敏感词汇语料库。

6.根据权利要求1至4任一项所述的敏感数据自动识别与分类的方法，其特征在于：在步骤三中，将目标数据采用分词技术进行分词处理，然后将提取的特征与敏感词汇语料库进行匹配。

7.根据权利要求4所述的敏感数据自动识别与分类的方法，其特征在于：在步骤二中，在获得基础数据语料库后，手工对基础数据语料库进行识别和分类，选取其中具有代表意义的，可被标示敏感数据的词汇，形成敏感词汇语料库；敏感词汇语料库包括常用的敏感词模式匹配穿、敏感词分类和敏感词加权值，其中敏感词加权值参考词汇向量加权值，并由人工进行辅助赋值。

8.根据权利要求7所述的敏感数据自动识别与分类的方法，其特征在于：在步骤三中，将目标数据采用分词技术进行分词处理，然后将提取的特征与敏感词汇语料库进行匹配；当匹配命中时记录该敏感词分类和敏感词加权值，当某一类敏感词加权值累加值越高时，该目标数据越倾向这个类别，并按照敏感词加权值累加值由高到低，对分类进行排序。

9.根据权利要求1至4任一项所述的敏感数据自动识别与分类的方法，其特征在于：还包括如下步骤：步骤四：敏感数据识别质量评估。

10.根据权利要求8所述的敏感数据自动识别与分类的方法，其特征在于：还包括如下步骤：步骤四：敏感数据识别质量评估；包括对错误分类进行纠正，主要是对敏感词分类进行重新划分或对多个敏感词建立匹配关系和分类，和/或对未能识别的词汇进行敏感词分类补充，进一步扩展敏感词汇语料库的内容。