CN108830100A - 基于多任务学习的用户隐私泄漏检测方法、服务器及系统 - Google Patents

基于多任务学习的用户隐私泄漏检测方法、服务器及系统 Download PDF

Info

Publication number
CN108830100A
CN108830100A CN201810540969.6A CN201810540969A CN108830100A CN 108830100 A CN108830100 A CN 108830100A CN 201810540969 A CN201810540969 A CN 201810540969A CN 108830100 A CN108830100 A CN 108830100A
Authority
CN
China
Prior art keywords
privacy
user
feature
model
task learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810540969.6A
Other languages
English (en)
Other versions
CN108830100B (zh
Inventor
宋雪萌
陈潇琳
程志勇
王英龙
聂礼强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN201810540969.6A priority Critical patent/CN108830100B/zh
Publication of CN108830100A publication Critical patent/CN108830100A/zh
Application granted granted Critical
Publication of CN108830100B publication Critical patent/CN108830100B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

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。

Description

基于多任务学习的用户隐私泄漏检测方法、服务器及系统
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，其他七类小组都设计私人问题。
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。
本发明的第二目的是提供一种基于多任务学习的用户隐私泄漏检测服务器。
本发明的一种基于多任务学习的用户隐私泄漏检测服务器，包括：
预先分类模块，其用于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；
特征抽取模块，其用于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；
模型构建模块，其用于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。
进一步的，在所述预先分类模块中，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，其他七类小组都设计私人问题。
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，在所述特征抽取模块中，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，所述模型构建模块，包括：
预测值获取子模块，其用于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；
损失函数构建子模块，其用于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；
正则项添加子模块，其用于为防止模型过拟合，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。
本发明的第三目的是提供一种基于多任务学习的用户隐私泄漏检测系统。
本发明的一种基于多任务学习的用户隐私泄漏检测系统，包括上述所述的基于多任务学习的用户隐私泄漏检测服务器。
与现有技术相比，本发明的有益效果是：
(1)考虑到用户隐私在不同类别的相关性，本发明引入多任务学习，利用稀疏结构——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，从而提高了用户隐私泄漏检测的建模性能和模型的可解释性。
(2)本发明旨在研究“用户泄露了什么隐私”问题，降低用户在社交媒体上隐私泄露的风险。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本发明的一种基于多任务学习的用户隐私泄漏检测方法流程图。
图2是本发明的一种基于多任务学习的用户隐私泄漏检测服务器结构示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
图1是本发明的一种基于多任务学习的用户隐私泄漏检测方法流程图。
如图1所示，本发明的一种基于多任务学习的用户隐私泄漏检测方法，包括步骤S1～S3。
具体地，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。
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，其他七类小组都设计私人问题。
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，如表1所示，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。使用这种预先分类方法，对于给定的任意一个帖子，可以将其分组到至少一个类别。
表1：预先分类方法
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。
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。
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，如表2所示，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。
表2：工具提取特征类别
工具 类别
Privacy_dic 隐私敏感
Sentiment 情感特征
Meta features 元数据特征
Sen2Vec 文本特征(缓解单词稀疏性)
LIWC 语词计量
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。
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。
具体地，以将用户隐私类别分为8个组，32个细粒度隐私类别为例：
所述步骤S3隐私泄露检测模型构建的过程，具体包括：
S31：本发明使用S2提取的特征构建输入集合X∈RN×D和标签集合Y＝{y1，y2，…，yQ}∈RN×Q来进行建模，其中N表示用户数量，D为表征每条数据的向量维数，Q＝32表示32个子类。
本发明将特征向量X通过线性预测模型，得到预测值fq(X)。
使用二范数，基于标签集合Y和预测值fq(X)，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：
fq(X)＝Xwq
其中：是第q项任务的线性映射权重，W＝{w1，w2，…wQ}∈RD×Q，β是非负正则化参数，最后一项用来防止模型过拟合。
S32：本发明将32个细粒度类分为8个组别，同一组内的各个任务共享相关特征，因此，本发明引入多任务学习，利用稀疏结构——组套索模型学习同组内各个任务之间的联系，充分考虑用户隐私在不同类别的相关性，提高模型的泛化能力。
将预测模型、关系表征项、正则化项等结合，定义如下：
其中：G为组别总数，值为8，Cg代表第g组的索引集合，对角矩阵Vg∈RQ×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Vg(q，q)＝1，否则为0。W＝LS，L∈RD×J表征潜在特征，S＝{s1，s2，…，sQ}∈RJ×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。
S33：本发明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：
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。固定L计算S优化策略如下：
其中：tr(A)为矩阵A的迹，Θg∈RJ×J为对角矩阵便于计算目标函数Γ对于S的导数。
考虑到用户隐私在不同类别的相关性，本发明引入多任务学习，利用稀疏结构——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。
本发明旨在研究“用户泄露了什么隐私”问题，降低用户在社交媒体上隐私泄露的风险。
图2是本发明的一种基于多任务学习的用户隐私泄漏检测服务器结构示意图。
如图2所示，本发明的一种基于多任务学习的用户隐私泄漏检测服务器，包括：
(1)预先分类模块，其用于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。
具体地，在所述预先分类模块中，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，其他七类小组都设计私人问题。
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，如表1所示，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。使用这种预先分类方法，对于给定的任意一个帖子，可以将其分组到至少一个类别。
表1：预先分类方法
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。
(2)特征抽取模块，其用于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。
在所述特征抽取模块中，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，如表2所示，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。
表2：工具提取特征类别
工具 类别
Privacy_dic 隐私敏感
Sentiment 情感特征
Meta features 元数据特征
Sen2Vec 文本特征(缓解单词稀疏性)
LIWC 语词计量
(3)模型构建模块，其用于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。
所述模型构建模块，包括：
预测值获取子模块，其用于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；
损失函数构建子模块，其用于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；
正则项添加子模块，其用于为防止模型过拟合，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。
考虑到用户隐私在不同类别的相关性，本发明引入多任务学习，利用稀疏结构——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。
本发明还提供了一种基于多任务学习的用户隐私泄漏检测系统。
本发明的一种基于多任务学习的用户隐私泄漏检测系统，包括如图2所示的基于多任务学习的用户隐私泄漏检测服务器。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

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；
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。
2.如权利要求1所述的基于多任务学习的用户隐私泄漏检测方法，其特征在于，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。
3.如权利要求1所述的基于多任务学习的用户隐私泄漏检测方法，其特征在于，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。
4.如权利要求1所述的基于多任务学习的用户隐私泄漏检测方法，其特征在于，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。
5.一种基于多任务学习的用户隐私泄漏检测服务器，其特征在于，包括：
预先分类模块，其用于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；
特征抽取模块，其用于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；
模型构建模块，其用于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。
6.如权利要求5所述的基于多任务学习的用户隐私泄漏检测服务器，其特征在于，在所述预先分类模块中，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。
7.如权利要求5所述的基于多任务学习的用户隐私泄漏检测服务器，其特征在于，在所述特征抽取模块中，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。
8.如权利要求5所述的基于多任务学习的用户隐私泄漏检测服务器，其特征在于，所述模型构建模块，包括：
预测值获取子模块，其用于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；
损失函数构建子模块，其用于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；
正则项添加子模块，其用于为防止模型过拟合，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。
9.一种基于多任务学习的用户隐私泄漏检测系统，其特征在于，包括如权利要求5-8中任一项所述的基于多任务学习的用户隐私泄漏检测服务器。
CN201810540969.6A 2018-05-30 2018-05-30 基于多任务学习的用户隐私泄漏检测方法、服务器及系统 Active CN108830100B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810540969.6A CN108830100B (zh) 2018-05-30 2018-05-30 基于多任务学习的用户隐私泄漏检测方法、服务器及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810540969.6A CN108830100B (zh) 2018-05-30 2018-05-30 基于多任务学习的用户隐私泄漏检测方法、服务器及系统

Publications (2)

Publication Number Publication Date
CN108830100A true CN108830100A (zh) 2018-11-16
CN108830100B CN108830100B (zh) 2021-11-30

Family

ID=64146996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810540969.6A Active CN108830100B (zh) 2018-05-30 2018-05-30 基于多任务学习的用户隐私泄漏检测方法、服务器及系统

Country Status (1)

Country Link
CN (1) CN108830100B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147878A (zh) * 2018-11-28 2019-08-20 腾讯科技（深圳）有限公司 数据处理方法、装置及设备
CN110175327A (zh) * 2019-05-11 2019-08-27 复旦大学 一种基于隐私信息检测的数据隐私性量化评估方法
CN110175469A (zh) * 2019-05-16 2019-08-27 山东大学 一种社交媒体用户隐私泄漏检测方法、系统、设备及介质
CN111460505A (zh) * 2020-04-02 2020-07-28 深圳前海微众银行股份有限公司 基于隐私保护的建模方法、装置、设备及存储介质
WO2022095523A1 (zh) * 2020-11-03 2022-05-12 华为技术有限公司 机器学习模型管理方法、装置和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008329A (zh) * 2014-05-22 2014-08-27 中国科学院信息工程研究所 一种基于虚拟化技术的软件隐私泄露行为检测方法及系统
CN105184167A (zh) * 2015-07-21 2015-12-23 电子科技大学 基于TPM细粒度权限的Android系统安全增强系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008329A (zh) * 2014-05-22 2014-08-27 中国科学院信息工程研究所 一种基于虚拟化技术的软件隐私泄露行为检测方法及系统
CN105184167A (zh) * 2015-07-21 2015-12-23 电子科技大学 基于TPM细粒度权限的Android系统安全增强系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JUN YU 等: "iPrivacy: Image Privacy Protection by Identifying Sensitive Objects via Deep Multi-Task Learning", 《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147878A (zh) * 2018-11-28 2019-08-20 腾讯科技（深圳）有限公司 数据处理方法、装置及设备
CN110175327A (zh) * 2019-05-11 2019-08-27 复旦大学 一种基于隐私信息检测的数据隐私性量化评估方法
CN110175469A (zh) * 2019-05-16 2019-08-27 山东大学 一种社交媒体用户隐私泄漏检测方法、系统、设备及介质
CN110175469B (zh) * 2019-05-16 2020-11-17 山东大学 一种社交媒体用户隐私泄漏检测方法、系统、设备及介质
CN111460505A (zh) * 2020-04-02 2020-07-28 深圳前海微众银行股份有限公司 基于隐私保护的建模方法、装置、设备及存储介质
WO2022095523A1 (zh) * 2020-11-03 2022-05-12 华为技术有限公司 机器学习模型管理方法、装置和系统

Also Published As

Publication number Publication date
CN108830100B (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN108830100A (zh) 基于多任务学习的用户隐私泄漏检测方法、服务器及系统
Kavasidis et al. An innovative web-based collaborative platform for video annotation
Georgiev et al. Enhancing user creativity: Semantic measures for idea generation
Dong et al. The algorithm of link prediction on social network
Greenberg et al. Crowdfunding: A resource exchange perspective
Benbya et al. Navigating generative artificial intelligence promises and perils for knowledge and creative work
Jamali et al. Interdisciplinary relations of converging technologies: Nano–bio–info–cogno (nbic)
Kong et al. Evently: Modeling and analyzing reshare cascades with hawkes processes
Wang et al. Is scientific collaboration sustainability predictable?
Zacharis et al. AiCEF: an AI-assisted cyber exercise content generation framework using named entity recognition
Wang Application of MPP database and artificial intelligence system in online evaluation of college students' mental health
Dhameliya et al. Job recommendation system using content and collaborative filtering based techniques
Wu et al. Leveraging free labels to power up heterophilic graph learning in weakly-supervised settings: An empirical study
Mishra et al. Evaluation of Faculty Performance in Education System using Classification technique in Opinion mining based on GPU
Cambria et al. Affective reasoning for big social data analysis
Yu et al. Sockpuppet detection in social network based on adaptive multi-source features
Gilal et al. Task Assignment and Personality: Crowdsourcing Software Development
Wang et al. A recommendation method for social collaboration tasks based on personal social preferences
Zeng et al. A prediction-oriented optimal design for visualisation recommender systems
Tang et al. Fashion item captioning via grid-relation self-attention and gated-enhanced decoder
Salvador et al. Big data infrastructure: A survey
Johannessen et al. Ubiquitous digital health-related data: clarification of concepts
Rana et al. Rough set based system for effective e-learning
Andrei et al. Agent-based models and ethnography: Combining qualitative and computational techniques with complexity theory
Amer-Yahia et al. The ever evolving online labor market: Overview, challenges and opportunities

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant