[发明专利]隐私政策中隐私信息提取方法、系统、终端及介质

说明书

本发明提供了一种隐私政策中隐私信息提取方法及系统，基于自然语言处理，首先将原始的隐私政策处理成文本，继而对隐私文本进行分段分句，并且使用预训练得到的自然语言处理模型对句子进行词性标注与命名实体识别得到数据对象，最后利用同义词词典与模糊匹配得到归一化的数据对象，再将数据对象映射到对应的隐私信息分类中，得到隐私政策收集的隐私信息的类别，以便于用户、应用市场平台或监管机构了解应用的隐私政策的隐私信息收集情况，帮助他们进行下一步的决策。同时提供了一种相应的终端及介质。本发明利用自然语言处理技术对隐私政策中的隐私信息进行提取，不需人工进行标注，能够实现更加高效、快速、灵活的隐私分析，满足相关行业的需求。

技术领域

本发明涉及自然语言处理技术领域，具体地，涉及一种基于自然语言处理的隐私政策中隐私信息提取方法、系统、终端及介质。

背景技术

随着时代的发展，移动互联网应用已经渗透到人们日常生活中的方方面面。然而，移动互联网应用在给人们提供方便的同时，也收集了大量用户的隐私信息。为了规范应用的隐私信息收集，国内外都纷纷出台了相关的法规及政策，要求应用必须提供明晰的隐私政策，在用户使用应用之前告知用户哪些隐私信息将被收集。因此，一份隐私政策往往具有与法律条文类似的专业性、准确性等特性。伴随着这些特性而来的，还有冗长复杂且晦涩难懂等特点。不管是用户、应用市场平台或是相关监管机构，人工从隐私政策中找出其收集的隐私信息，都需要耗费大量的人力。一个高效的自动化隐私信息提取工具，不仅能够帮助用户了解一个应用收集了哪些隐私信息，而且能够帮助应用市场平台或相关监管机构提高调查工作的效率。

隐私政策的文本往往十分复杂。一方面，隐私政策的撰写要符合相关的法规，因此其具有很强的规范性与专业性，且通常以长句为主；而另一方面，由于相关法规对于隐私信息的描述并没有一个确定的要求，不同应用的隐私政策往往用词差距很大。传统上，要了解一份隐私政策里包含了哪些隐私信息，需要依靠专业的审计人员人工审核。这种方式不仅需要耗费大量的人力，而且还十分耗时。

近年来，自然语言处理技术发展迅速，尤其是在大规模的文本分析、句法分析与命名实体识别方面。对于隐私政策文本数据，提取出其中声明收集的隐私信息的关键在于定位与收集相关的句子。一般而言，隐私政策在声明信息收集的时候，会有(收集类或分享类行为动词,数据对象)这样的二元组出现。因此利用自然语言处理的命名实体识别及词性标注等技术有很大的潜力。但是，将自然语言处理技术直接应用于隐私政策的隐私信息收集中，仍然存在如下技术问题亟待解决：

一、哪些文字在阐述隐私信息的收集？

二、哪些属于隐私信息？

三、对隐私信息的描述是否统一？若不统一，该如何进行归一化？

目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。

发明内容

本发明针对现有技术中存在的上述不足，提供了一种将自然语言处理技术应用于隐私政策自动化分析中的一种基于自然语言处理的隐私政策中隐私信息提取方法、装置及终端。

根据本发明的一个方面，提供了一种隐私政策中隐私信息提取方法，包括：

获取应用的隐私政策原始数据，并对不同格式的隐私政策原始数据进行数据处理，得到通用文本格式的隐私政策数据，并对得到的所述通用文本格式的隐私政策数据进行分句，拆解成多个单独的句子；

利用预先摘取的用于描述隐私信息的句子对既有的自然语言处理模型进行扩展训练，得到隐私政策领域的语言处理模型，并利用得到的所述隐私政策领域的语言处理模型对每个句子进行词性标注与命名实体识别，进而将包含有行为动词与数据对象的句子筛选出来，得到(行为动词，数据对象)二元组的集合；