[发明专利]一种面向大数据环境隐私信息防泄露自动识别方法及系统

权利要求书

1.一种面向大数据环境隐私信息防泄露自动识别方法，其特征在于，包括：

筛选关键词、判定关键词自动提取；

根据提取的关键词，过滤掉肯定无隐私信息的内容，为隐私信息判定模块提供输入；

对初步筛选后的数据进行深度的内容分析，对隐私信息进行判定，给出判定结果；

所述方法还具体包括：

步骤1：根据指定领域数据特点，提供人工标定的样本，通过关键词提取模块形成筛选关键词、判定关键词；所述步骤1具体包括：根据实践经验、专家论证，完善指定领域的词典，形成领域词典；

对指定领域人工标定的样本进行预处理，应用领域词典，对文本进行分词；

提取文档主题，形成“主题”—“关键词”模型，以此训练分类器，生成筛选关键词、判定关键词；

步骤2：将采集获得的数据或参与数据流通的数据作为输入，通过初步筛选模块过滤掉跟隐私完全无关，肯定无隐私信息的内容；

步骤3：存储筛选掉的数据，以备数据流通；

步骤4：将初步筛选后的数据作为输入，传输至隐私信息判定模块；

步骤5：通过隐私信息判定模块，对筛选后的数据进行深度的内容分析，给出判定结果；所述步骤5具体包括：提取输入文档主题，获取“主题”—“关键词”概率路径，与所述“主题”—“关键词”模型匹配，确定输入数据是否含有隐私信息；

步骤6：存储判定为不含隐私信息的输入数据，以备数据流通；

步骤7：对判定的隐私信息进行人工标定，以此进一步更新步骤1 中关键词列表，训练步骤1 中分类器。

2.根据权利要求1 所述的面向大数据环境隐私信息防泄露自动识别方法，其特征在于，所述提取文档主题采用LDA 主题提取算法。

3.根据权利要求2 所述的面向大数据环境隐私信息防泄露自动识别方法，其特征在于，所述根据提取的关键词，过滤掉肯定无隐私信息的内容，为隐私信息判定模块提供输入的步骤包括：

将采集获得的数据或参与数据流通的数据作为输入，传输至初步筛选模块；

将输入数据与筛选关键词匹配，过滤掉跟隐私完全无关内容。

4.根据权利要求3所述的面向大数据环境隐私信息防泄露自动识别方法，其特征在于，所述提取输入文档主题采用LDA 主题提取算法。

5.一种面向大数据环境隐私信息防泄露自动识别系统，其特征在于，包括：

关键词提取模块，用于筛选关键词、判定关键词自动提取；以及用于根据指定领域数据特点，提供人工标定的样本，通过关键词提取模块形成筛选关键词、判定关键词；根据实践经验、专家论证，完善指定领域的词典，形成领域词典；

对指定领域人工标定的样本进行预处理，应用领域词典，对文本进行分词；

提取文档主题，形成“主题”—“关键词”模型，以此训练分类器，生成筛选关键词、判定关键词

初步筛选模块：用于根据提取的关键词，过滤掉肯定无隐私信息的内容，为隐私信息判定模块提供输入；以及用于将采集获得的数据或参与数据流通的数据作为输入，通过初步筛选模块过滤掉跟隐私完全无关，肯定无隐私信息的内容；存储筛选掉的数据，以备数据流通；将初步筛选后的数据作为输入，传输至隐私信息判定模块

隐私信息判定模块：用于对初步筛选后的数据进行深度的内容分析，对隐私信息进行判定，给出判定结果；以及用于提取输入文档主题，获取“主题”—“关键词”概率路径，与所述“主题”—“关键词”模型匹配，确定输入数据是否含有隐私信息。