[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

说明书

本发明公开了一种基于多任务学习的用户隐私泄漏检测方法、服务器及系统。其中，基于多任务学习的用户隐私泄漏检测方法包括：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；从不同方向抽取用户的隐私特征，来全方位表征用户隐私类别；基于抽取的用户隐私特征，构建预测模型；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，从而提高用户隐私泄漏检测的建模性能和模型的可解释性。

技术领域

本发明属于信息分类处理领域，尤其涉及一种基于多任务学习的用户隐私泄漏检测方法、服务器及系统。

背景技术

随着Web2.0的快速发展，互联网已经进入社交媒体时代，社交媒体已成为人们日常获取信息、分享信息的重要平台。随着用户暴露在社交媒体中的程度越来越大，隐私威胁逐渐成为关乎每个网络用户切身利益的重要问题。

近年来，有许多研究工作围绕社交媒体用户隐私泄漏检测展开。现有的技术主要应用于结构化数据，对于非结构化数据，通常集中训练有效的分类器，但是它们主要关注粗粒度隐私判断，忽视隐私的相关性，使得模型的可解释性较差。

发明内容

为了解决现有技术的不足，本发明的第一目的是提供一种基于多任务学习的用户隐私泄漏检测方法，其提高了用户隐私泄漏检测的建模性能和模型的可解释性。

本发明的一种基于多任务学习的用户隐私泄漏检测方法，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；

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，从而提高用户隐私泄漏检测的建模性能和模型的可解释性。

进一步的，在所述步骤S1中，预先用户隐私分成32个细粒度隐私类别，并将这些将细粒度隐私类别划分到8个组内，这8个组分别为个人属性、关系、活动、地点、情感、医疗保健、生活里程碑和中性陈述。

其中，中性陈述是指在不泄露其他7个组别信息的情况下发布的数据，除中性陈述小组外，其他七类小组都涉及私人问题。

本发明将用户隐私类别分为8个组，32个细粒度隐私类别，可全面表征用户隐私，完全涵盖用户个人隐私，包括姓名、年龄、健康状况、家庭住址等类别，能够对用户隐私泄漏实现细粒度检测。

需要说明的是，为全面表征用户隐私，也可以预先将用户隐私分成其他数量的细粒度隐私类别以及其他数量的组数。

进一步的，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。

例如：

本发明使用Privacy_dic、Sentiment、Meta features、Sen2Vec、LIWC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，丰富抽取以隐私为导向的特征，为充分抓取用户隐私泄露奠定基础。

进一步的，在所述步骤S3构建预测模型的过程中，将由用户隐私特征构成的特征向量通过线性预测模型，得到预测值；

基于预测值和利用预先分类而形成的标签集合，使用二范数来构建损失函数；

为防止模型过拟合，在损失函数基础上添加正则项，最终构建出用户隐私泄漏的预测模型。