[发明专利]一种基于生成对抗网络的情绪差分隐私保护方法

权利要求书

1.一种基于生成对抗网络的情绪差分隐私保护方法，其特征在于，包括：

S1：接收隐私保护数据；

S2：识别隐私保护数据的类型并进行向量化，当隐私保护数据的类型为文本时执行步骤S3，当隐私保护数据的类型为图片时执行步骤S4；

S3：利用预设分词算法对文字类型的数据进行分词后，通过情绪分类器进行情绪类型识别，然后构建文本对抗生成网络，生成目标语句并进行隐私保护；

S4：通过预设人脸检测算法对图片类型的数据进行检测，获得面部图像，利用人脸特征点检测算法确定其面部情绪，通过表情分类器进行情绪识别，然后构建图像对抗生成网络，生成目标人脸图片并进行隐私保护；

其中，文本对抗生成网络包括LSTM生成器部分、CNN判别器部分和情绪判别器，S3中具体包括：

S3.1：采用最短路径分词算法匹配出隐私保护数据中包含的词语，构成词图，然后基于词图寻找从起始点到终点的最短路径作为分词组合结果，得到分词后的语句；

S3.2：将分词后的语句根据词序进行向量化，采用情绪分类器进行情绪类型识别，获得第一情绪类别，并将第一情绪类别作为情绪标签与向量化后的语句向量进行融合；

S3.3：根据融合后的向量获取向量化后的语句向量，通过LSTM生成器部分根据向量化后的语句生成目标语句，并通过CNN判别器部分判别生成的目标语句是否为满足要求的真实语句，当判定目标语句为满足要求的真实语句时，通过情绪判别器判定目标语句的第二情绪类别，当第一情绪类别与第二情绪类别不一致时，将LSTM生成器部分生成的新语句作为隐私保护后的语句。

2.如权利要求1所述的方法，其特征在于，S1中识别隐私保护数据的类型并进行向量化，包括：

S1.1：根据接收的隐私保护数据的格式识别为文本或者图片类型；

S1.2：根据隐私保护数据生成向量序列，并根据识别出的类型附加类别向量，其中，类别向量用以标识数据的类型，当类型为文本时，附加的类别向量为[-1,…,-1]^T，当类型为图片时，附加的类别向量为[0,…,0]^T。

3.如权利要求1所述的方法，其特征在于，S3.3中LSTM生成器部分采用长短记忆网络LSTM，并基于随机噪声指导目标语句的生成，生成过程具体包括：

LSTM生成器部分将随机噪声向量R₁映射成一个目标语句生成概率为：

其中，p(w¹|R₁)＝arg max(Vh₁)，为随机噪声向量R₁指导下的条件输出，p(w^t|w^＜t，R₁)＝arg max(Vh_t)，句子w^t表示句子的第t个单词，每一个单词w^t都映射为一个k维向量x_t＝W_e[w^t]，其中是训练过程中逐渐学习的词嵌入矩阵，V是词典大小，

所有词语则按顺序使用LSTM计算得出，直至遇到结束标志符，计算方法如下：

p(w^t|w^＜t，R₁)＝arg max(Vh_t)

h_t＝LSTM(y_t-1，h_t-1，R₁)

y_t-1＝W_e[w^t-1]，h_t-1为循环迭代得到的结果，直至最后一个词语生成完毕，则生成一个目标语句。