[发明专利]一种降低敏感信息误判率的方法

摘要

本发明涉及一种降低敏感信息误判率的方法，包括以下步骤：获取敏感信息检测系统判定为敏感信息的文档；对判定为敏感信息的文档进行数据处理；对数据处理后的敏感信息文档进行聚类处理，获取聚类结果，专家根据聚类结果进行敏感信息判定。本发明的一种降低敏感信息误判率的方法，在传统敏感信息判决法的模块组成上增加了一个聚类再判定模块，对初次判定所得的敏感数据进行二次判定，即基于聚类的判定，来降低误判率，并且减轻了专家的判定负担。

主权项

1.一种降低敏感信息误判率的方法，其特征在于，包括以下步骤：/nS01：获取敏感信息检测系统判定为敏感信息的文档；/nS02：对判定为敏感信息的文档进行数据处理；/nS03：对数据处理后的敏感信息文档进行聚类处理，获取聚类结果，专家根据聚类结果进行敏感信息判定；/n所述步骤中S02数据处理具体包括以下步骤：/nS021：对判定为敏感信息的文档进行预处理，包括分词及去停用词；/nS022：特征提取，在不破坏文档核心信息的前提下减少待处理词汇；/nS023：计算特征向量权值，形成数据特征向量，构造相似度矩阵；/n所述步骤S03中，聚类算法主要是采用K-medodis聚类算法，根据文档的相似度矩阵，将n个文档进行聚类处理，形成m个类别，m、n为正整数，且m≥1，n≥1，然后对于每个类，顺序选取一个文档d(i)，计算用新选取文档d(i)代替旧选取文档d(j)后的消耗E[d(i)]，使得E[d(i)]最小的d(i)为新的中心点；迭代，直到簇的划分不再发生变化，从m个类别中挑出各自的的中心点文档，交由专家进行敏感信息判定，专家需要人工判断m个中心点文档是否为敏感信息，若中心点文档具有敏感信息，则认为该中心点文档所属的聚类中的所有文档均为包含敏感信息的文档；反之，则认为该中心点文档所属的聚类中的所有文档均为不包含敏感信息的文档；/n所述步骤S022中，在不破坏文档核心信息的前提下减少待处理词汇，通过PCA主成分分析法来降低文本特征向量空间维数，该方法从高维度的文档特征向量空间中计算出几个可以综合表示原特征向量空间的几个分向量，作为原文档特征向量空间的主成分，从而简化计算。/n