[发明专利]基于多任务学习的用户隐私泄漏检测方法、服务器及系统

权利要求书

1.一种基于多任务学习的用户隐私泄漏检测方法，其特征在于，包括：

S1：为全面表征用户隐私，预先将用户隐私分成若干个细粒度隐私类别，并将这些细粒度隐私类别划分成若干个组，形成用户隐私的组结构信息；

S2：从不同方面抽取用户的隐私特征，来全方位表征用户隐私类别；

在所述步骤S2中，选取隐私特征提取工具，分别从隐私敏感、情感特征、元数据特征、文本特征和语词计量这五个方面来抽取用户的隐私特征；

S3：基于抽取的用户隐私特征，构建用户隐私泄漏的预测模型；并引入多任务学习，同一组内的各个任务共享相关特征，利用组套索模型将用户隐私的组结构信息作为先验，进行特征分组；

所述步骤S3构建预测模型的过程，具体包括：

S31：使用步骤S2提取的隐私特征构建输入集合X∈R^N×D和标签集合Y＝{y₁，y₂，…，y_Q}∈R^N×Q来进行建模，其中N表示用户发布内容数量，D为表征每条数据的向量维数，Q＝32表示32个子类；

将由用户隐私特征构成的特征向量X通过线性预测模型，得到预测值f_q(X)；

基于预测值f_q(X)和利用预先分类而形成的标签集合Y，使用二范数来构建损失函数L(W)；

为防止模型过拟合，在损失函数L(W)基础上添加正则项，进行如下建模：

f_q(X)＝Xw_q

其中：是第q项任务的线性映射权重；W＝{w₁，w₂，…w_Q}∈R^D×Q表示权重矩阵；β是非负正则化参数；X表示特征矩阵；N表示用户发布内容数量；Y表示标签集合；F表示范数；Γ表示最终的损失函数；

S32：利用组套索模型学习同组内各个任务之间的联系，将预测模型、关系表征项、正则化项结合，定义如下：

其中：β是非负正则化参数；G为组别总数，值为8；C_g代表第g组的索引集合；D表示维度总数；d表示每一个维度值；对角矩阵V_g∈R^Q×Q表征32个子类对应的组别分配，若第q个任务属于第g个组别，则V_g(q，q)＝1，否则为0；W＝LS，L∈R^D×J表征潜在特征；S＝{s₁，s₂，…，s_Q}∈R^J×Q表征潜在特征的线性权重；||S||₁是矩阵S的L₁范式；γ和μ是非负正则化参数；J表示组内内容数目；j表示组内每条内容的指代索引；F表示范数；

S33：采用交替优化策略求解S和L，通过迭代训练直至模型收敛；固定S计算L优化策略如下：

其中，N表示用户发布内容数量；X表示特征矩阵；X^T表示特征的转置矩阵；Y表示标签集合；L表示潜在特征；S表示潜在特征的线性权重；S^T表示潜在特征线性权重的转置；μ是非负正则化参数；

将其转化为下列线性方程组：

其中I∈R^{(D×J)×(D×J)}为单位矩阵，Vec(·)代表将矩阵的列叠加成单位向量；A表示转化矩阵；B是潜在表示矩阵；N表示用户发布内容数量；X表示特征矩阵；X^T表示特征的转置矩阵；Y表示标签集合；L表示潜在特征；S表示潜在特征的线性权重；S^T表示潜在特征线性权重的转置；μ是非负正则化参数；

固定L计算S优化策略如下：

其中：tr(A)为矩阵A的迹，Θ_g∈R^J×J为对角矩阵，便于计算目标函数Γ对于S的导数；X表示特征矩阵；Y表示标签集合；L表示潜在特征；S表示潜在特征的线性权重；S^T表示潜在特征线性权重的转置；γ是非负正则化参数；J表示组内内容数目；j表示每一条内容；G为组别总数，值为8；C_g代表第g组的索引集合，对角矩阵V_g∈R^Q×Q表征32个子类对应的组别分配；||S||₁是矩阵S的L₁范式。