[發明專利]訓練隱私信息分類模型、識別隱私信息的方法和裝置

在審

• 申請號: 202210065736.1
• 申請日: 2022-01-20
• 公開（公告）號: CN114398681A
• 公開（公告）日: 2022-04-26
• 發明（設計）人: 鮑夢瑤;劉佳偉;章鵬;張謙;賈茜;殷雪梅
• 申請（專利權）人: 支付寶（杭州）信息技術有限公司;螞蟻區塊鏈科技（上海）有限公司
• 主分類號: G06F21/62
• 分類號: G06F21/62;G06F16/22;G06F16/28;G06N20/00
• 代理公司: 北京億騰知識產權代理事務所(普通合伙) 11309
• 代理人: 孫欣欣;周良玉

本說明書實施例提供一種訓練隱私信息分類模型、識別隱私信息的方法和裝置，訓練隱私信息分類模型的方法包括：獲取預訓練的編碼器，所述編碼器基于數據庫中的無標簽樣本和預設訓練目標訓練得到，所述預設訓練目標包括，使得所述無標簽樣本中同一字段內數據的表征相似度，大于不同字段間數據的表征相似度；獲取具有目標隱私類別標簽的訓練樣本集合；將所述訓練樣本集合輸入所述編碼器和其后連接的分類器，根據分類器的預測輸出，調整所述編碼器和所述分類器，得到訓練后的分類模型。能夠有效識別數據庫中的隱私數據。

技術領域

本說明書一個或多個實施例涉及計算機領域，尤其涉及訓練隱私信息分類模型、識別隱私信息的方法和裝置。

背景技術

個人信息(personal information)指以電子或者其他方式記錄的能夠單獨或者與其他信息結合識別特定自然人身份或者反應特定自然人活動狀況的各種信息。

個人敏感信息(personal sensitive information)即隱私信息或隱私數據(private data)，指一旦泄露、非法提供或濫用可能危害人身和財產安全，極易導致個人名譽、身心健康受到損害或歧視性待遇等的個人信息。

隨著信息化技術的發展和移動智能設備的普及，人們無時無刻不在產生數據，各大公司和機構都收集和積累大量的用戶數據，其中有不少數據都屬于用戶隱私數據。在做隱私數據保護工作前，先要識別出哪些數據是隱私數據，或者說識別出數據對應的隱私信息類別。對于數據庫中存儲的大量的用戶數據，如何識別出哪些字段的數據是隱私數據已經成為一個比較棘手的問題。

發明內容

本說明書一個或多個實施例描述了一種訓練隱私信息分類模型、識別隱私信息的方法和裝置，能夠有效識別數據庫中的隱私數據。

第一方面，提供了一種訓練隱私信息分類模型的方法，方法包括：

獲取預訓練的編碼器，所述編碼器基于數據庫中的無標簽樣本和預設訓練目標訓練得到，所述預設訓練目標包括，使得所述無標簽樣本中同一字段內數據的表征相似度，大于不同字段間數據的表征相似度；

獲取具有目標隱私類別標簽的訓練樣本集合；

將所述訓練樣本集合輸入所述編碼器和其后連接的分類器，根據分類器的預測輸出，調整所述編碼器和所述分類器，得到訓練后的分類模型。

在一種可能的實施方式中，所述編碼器通過以下步驟預訓練得到：

從數據庫的第一字段中，獲取若干原始數據作為第一組衍生樣本；

從所述數據庫的第二字段中，獲取若干原始數據作為第二組衍生樣本；

將所述第一組衍生樣本和所述第二組衍生樣本中的各原始數據分別輸入編碼器，通過所述編碼器輸出各原始數據分別對應的表征向量；

基于各表征向量，確定各原始數據之間的相似度；

在總編碼損失減小的方向，調整所述編碼器的參數；其中，屬于同一組衍生樣本的兩個原始數據之間的相似度越高，屬于不同組衍生樣本的兩個原始數據之間的相似度越低，所述總編碼損失越小。

進一步地，所述從數據庫的第一字段中，獲取若干原始數據作為第一組衍生樣本，包括：

從數據庫的第一字段的各原始數據中，采用隨機抽樣的方式獲取若干原始數據作為第一組衍生樣本；

所述從所述數據庫的第二字段中，獲取若干原始數據作為第二組衍生樣本，包括：

從所述數據庫的第二字段的各原始數據中，采用隨機抽樣的方式獲取若干原始數據作為第二組衍生樣本。

在一種可能的實施方式中，所述訓練樣本集合包括目標隱私類別的正樣本和負樣本，所述分類模型用于識別輸入樣本是否屬于目標隱私類別的隱私數據。