[发明专利]文本类敏感信息识别方法、装置、电子设备和存储介质

权利要求书

1.一种文本类敏感信息识别方法，其特征在于，包括：

对候选识别文本集合中的各个候选识别文本进行聚类，得到各个文本类集合，并基于各个文本类集合中各个候选识别文本的文本特征，确定进行敏感信息识别的待识别文本类集合；

针对所述待识别文本类集合中的任一待识别文本进行句切分，得到所述任一待识别文本的待识别句；

基于敏感信息识别模型中的语义信息提取层，对所述任一待识别文本的待识别句进行语义信息提取，得到所述待识别句的句语义向量以及所述待识别句中每一分词的词语义向量；任一分词的词语义向量是基于对应分词的预训练词向量以及所述待识别句的句语义向量确定得到的；

基于所述敏感信息识别模型中的敏感实体识别层，结合所述待识别句的句语义向量以及所述待识别句中每一分词的词语义向量，识别所述待识别句中的敏感信息以及所述敏感信息的描述信息；

所述对候选识别文本集合中的各个候选识别文本进行聚类，得到各个文本类集合，并基于各个文本类集合中各个候选识别文本的文本特征，确定进行敏感信息识别的待识别文本类集合，具体包括：

如果任一文本类集合对应的文本类型属于包含敏感信息的类型，则将所述任一文本类集合作为待进行敏感信息识别的待识别文本类集合，所述任一文本类集合中的候选识别文本作为待识别文本，以供进行后续的敏感信息识别；否则，不对所述任一文本类集合中的候选识别文本进行任何操作。

2.根据权利要求1所述的文本类敏感信息识别方法，其特征在于，所述基于敏感信息识别模型中的语义信息提取层，对所述任一待识别文本的待识别句进行语义信息提取，得到所述待识别句的句语义向量以及所述待识别句中每一分词的词语义向量，具体包括：

基于所述语义信息提取层中的第一双向长短时记忆网络，对所述任一待识别文本的待识别句进行语义提取，得到所述待识别句的句语义向量；

将所述待识别句中各个分词的预训练词向量分别与所述待识别句的句语义向量进行融合，得到所述待识别句中各个分词的融合向量；

基于所述语义信息提取层中的第二双向长短时记忆网络对所述待识别句中各个分词的融合向量进行语义提取，得到所述待识别句中每一分词的词语义向量。

3.根据权利要求2所述的文本类敏感信息识别方法，其特征在于，所述基于所述语义信息提取层中的第一双向长短时记忆网络，对所述任一待识别文本的待识别句进行语义提取，得到所述待识别句的句语义向量，具体包括：

基于所述第一双向长短时记忆网络，对所述任一待识别文本的待识别句中各个分词的预训练词向量进行语义提取，得到所述待识别句中各个分词的上下文词向量；

确定所述待识别句中任一分词的上下文词向量与各类敏感信息对应标签的标签向量之间的相似度，并将最大相似度作为所述任一分词的权重；

基于所述待识别句中各个分词的上下文词向量与各个分词的权重，确定所述待识别句的句语义向量。

4.根据权利要求1所述的文本类敏感信息识别方法，其特征在于，所述基于所述敏感信息识别模型中的敏感实体识别层，结合所述待识别句的句语义向量以及所述待识别句中每一分词的词语义向量，识别所述待识别句中的敏感信息以及所述敏感信息的描述信息，具体包括：

获取与所述待识别句属于同一文档且包含所述待识别句的有效分词的参考识别句；

基于敏感信息识别模型中的语义信息提取层，对所述参考识别句进行语义信息提取，得到所述参考识别句的句语义向量以及所述参考识别句中各个分词的词语义向量；

基于所述参考识别句的句语义向量和所述待识别句的句语义向量之间的相似度，融合所述参考识别句和所述待识别句中相同分词的词语义向量，得到所述相同分词的融合向量；

基于所述敏感信息识别模型中的敏感实体识别层，结合所述待识别句中所述相同分词的融合向量和其余分词的词语义向量，识别所述待识别句中的敏感信息以及所述敏感信息的描述信息。