[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

说明书

本发明提供一种文本类敏感信息识别方法、装置、电子设备和存储介质，其中方法包括：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；对任一待识别文本的待识别句进行语义信息提取，得到待识别句的句语义向量以及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待识别句的句语义向量确定得到的；结合待识别句的句语义向量以及待识别句中每一分词的词语义向量，识别待识别句中的敏感信息以及敏感信息的描述信息。本发明提升了海量数据的敏感数据识别效率以及敏感信息的识别率。

技术领域

本发明涉及自然语言处理技术领域，尤其涉及一种文本类敏感信息识别方法、装置、电子设备和存储介质。

背景技术

随着大数据时代的到来，同时带来了隐私信息等敏感数据的泄露问题。为了保护敏感信息不被泄露，多采用脱敏算法将共享或传输的数据中的敏感数据滤除，而脱敏算法的一个核心则在于敏感信息的识别。在敏感信息识别的应用场景中，部分敏感信息是文本类的，比如姓名、地址、企业名称、职业等，因此可以采用用于文本处理等任务的机器学习模型进行敏感信息的自动识别。

然而，在大数据时代，网络上传输的数据量极大，如何兼顾海量数据的敏感数据识别效率以及敏感数据识别准确率将是当前亟需解决的问题。目前的敏感数据识别方式中，常采用的深度学习模型通常包含大量的参数和运算过程，在面对海量的待识别文本时效率通常难以满足实际应用。另外，目前常用的深度学习模型在识别敏感信息时，通常也会由于捕获的上下文信息较为局限，导致在海量待识别文本的敏感信息识别任务上的准确性也欠佳。

发明内容

本发明提供一种文本类敏感信息识别方法、装置、电子设备和存储介质，用以解决现有技术中面对海量的待识别文本时效率通常难以满足实际应用且准确性也欠佳的缺陷。

本发明提供一种文本类敏感信息识别方法，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。

根据本发明提供的一种文本类敏感信息识别方法，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。

根据本发明提供的一种文本类敏感信息识别方法，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：