[發明專利]基于語義特征提取的數據防泄漏方法、系統

在審

• 申請號: 201810092987.2
• 申請日: 2018-01-31
• 公開（公告）號: CN108280357A
• 公開（公告）日: 2018-07-13
• 發明（設計）人: 劉立軍;羅海濤;汪楫人
• 申請（專利權）人: 云易天成（北京）安全科技開發有限公司
• 主分類號: G06F21/60
• 分類號: G06F21/60;G06F17/27;G06F17/30
• 代理公司: 北京酷愛智慧知識產權代理有限公司 11514
• 代理人: 王瑩

1.一種基于語義特征提取的數據防泄漏方法，其特征在于，包括：

對原始文檔集中的每篇文檔進行預處理，轉化為詞序列；

確定每個詞的詞向量，并計算每篇文檔的文檔向量；

對文檔向量進行聚類，將原始文檔集劃分出多個文檔子集；

根據劃分后的文檔子集，提取語義特征；

將所述語義特征作為規則項，對目標文檔進行審查。

2.根據權利要求1所述基于語義特征提取的數據防泄漏方法，其特征在于，對原始文檔集中的每篇文檔進行預處理，轉化為詞序列，包括：

對于英文文檔，判斷每個詞之間是否存在空格，若是，則切分為詞，添加序列；

對于中文文檔，通過分詞和/或停頓詞，將中文文檔轉化為詞序列。

3.根據權利要求1所述基于語義特征提取的數據防泄漏方法，其特征在于，確定每個詞的詞向量，并計算每篇文檔的文檔向量，包括：

通過CBOW方法或Skip-gram方法，確定每個詞的詞向量；

根據每個詞的詞向量，計算每篇文檔的文檔向量。

4.根據權利要求3所述基于語義特征提取的數據防泄漏方法，其特征在于，根據每個詞的詞向量，計算每篇文檔的文檔向量，包括：

根據每個詞的詞向量和權重，通過如下公式，計算每篇文檔的文檔向量，

其中，Vector(doc_k)表示文檔名稱為doc_k的文檔向量，N表示文檔名稱為doc_k的文檔中詞的數量，c_i表示第i個詞的權重，vector(w_i)表示第i個詞的詞向量。

5.根據權利要求1所述基于語義特征提取的數據防泄漏方法，其特征在于，對文檔向量進行聚類，將原始文檔集劃分出多個文檔子集，包括：

從E篇文檔中隨機選取F篇文檔作為初始質心，所述原始文檔集包括E篇文檔；

測量剩余的每篇文檔到每個初始質心的第一歐式距離，確定與該篇文檔第一歐式距離最小的目標質心，并將該篇文檔歸到目標質心所屬的類；

對每個類進行計算，得到每個類的更新質心；

對于每一個類，將更新質心與初始質心進行比較：

若更新質心與初始質心重合，或更新質心與初始質心間的歐式距離小于等于指定閾值，則將該類作為一個文檔子集，

若更新質心與初始質心間的歐式距離大于指定閾值，則測量剩余的每篇文檔到每個更新質心的第二歐式距離，確定與該篇文檔第二歐式距離最小的目標質心，并將該篇文檔歸到目標質心所屬的類；

再次對每個類進行計算，得到每個類的更新質心，并與初始質心比較。

6.根據權利要求1所述基于語義特征提取的數據防泄漏方法，其特征在于，根據劃分后的文檔子集，提取語義特征，包括：

針對每個文檔子集，統計每個文檔子集中的相鄰多個詞的次數；

根據相鄰多個詞的次數，提取組合詞或短句，確定語義特征。

7.根據權利要求6所述基于語義特征提取的數據防泄漏方法，其特征在于，根據相鄰多個詞的次數，提取組合詞，確定語義特征，包括：

計算每個詞發生的概率；

根據每個詞發生的概率和相鄰詞出現的次數，計算相鄰詞的互信息；

根據每個相鄰詞的互信息，確定組合詞，作為語義特征。

8.一種基于語義特征提取的數據防泄漏系統，其特征在于，包括：

詞序列轉化單元，用于對原始文檔集中的每篇文檔進行預處理，轉化為詞序列；

文檔表示單元，用于確定每個詞的詞向量，并計算每篇文檔的文檔向量；

聚類單元，用于對文檔向量進行聚類，將原始文檔集劃分出多個文檔子集；

提取單元，用于根據劃分后的文檔子集，提取語義特征；

數據防泄漏處理單元，用于將所述語義特征作為規則項，對目標文檔進行審查。