CN110175469A - 一种社交媒体用户隐私泄漏检测方法、系统、设备及介质 - Google Patents
一种社交媒体用户隐私泄漏检测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN110175469A CN110175469A CN201910406849.1A CN201910406849A CN110175469A CN 110175469 A CN110175469 A CN 110175469A CN 201910406849 A CN201910406849 A CN 201910406849A CN 110175469 A CN110175469 A CN 110175469A
- Authority
- CN
- China
- Prior art keywords
- sentence
- expression
- predicted
- content
- social media
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 5
- 230000001351 cycling effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 2
- 239000004576 sand Substances 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Machine Translation (AREA)
Abstract
本公开公开了一种社交媒体用户隐私泄漏检测方法、系统、设备及介质，包括：采集待预测社交媒体用户发布内容；对待预测社交媒体用户发布内容，通过第一注意力机制模型Attention Model，学习待预测的学习句子表示；基于待预测的句子表示，通过第二注意力机制模型Attention Model，学习待预测社交媒体用户发布内容的表示；将待预测社交媒体用户发布内容的表示，输入到预先训练好的预测模型中，输出待预测社交媒体用户的隐私是否泄露，以及所泄露隐私的类型。
Description
技术领域
本公开涉及隐私泄露检测技术领域，特别是涉及一种社交媒体用户隐私泄漏检测方法、系统、设备及介质。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。
在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：
随着移动互联网的不断发展，社交媒体已经成为新媒体的代言人。人们通过社交媒体获取信息，分享见解，然而随着用户暴露在社交媒体中的程度越来越大，隐私泄露成为关乎每个网络用户切身利益的重要问题。近年来，社交媒体用户隐私检测问题引起许多研究者的注意。然而现有的技术主要应用于结构化数据，对于非结构化数据，依赖于手动提取的特征，忽略了用户发布内容中存在的内部联系，使得模型的可解释性较差。
现有技术存在以下技术问题需要解决：
用户发布内容中的单词和句子通常有不同的置信度水平，现有技术主要应用于结构化数据，对于非结构化数据，依赖于手动提取的特征，忽略了不同单词和句子在隐私检测中的置信度，对内容表示不准确。
发明内容
为了解决现有技术的不足，本公开提供了一种社交媒体用户隐私泄漏检测方法、系统、设备及介质，其通过学习用户发布内容的精确表示，判断用户在社交媒体上隐私泄露的风险。由于不同单词和句子在用户内容表示中有不同的置信水平，本公开引入双层注意力机制实现单词和句子置信度的自动分配，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。
第一方面，本公开提供了一种社交媒体用户隐私泄漏检测方法；
一种社交媒体用户隐私泄漏检测方法，包括：
采集待预测社交媒体用户发布内容；
对待预测社交媒体用户发布内容，通过第一注意力机制模型Attention Model，学习待预测的学习句子表示；
基于待预测的句子表示，通过第二注意力机制模型Attention Model，学习待预测社交媒体用户发布内容的表示；
将待预测社交媒体用户发布内容的表示，输入到预先训练好的预测模型中，输出待预测社交媒体用户的隐私是否泄露，以及所泄露隐私的类型。
第二方面，本公开还提供了一种社交媒体用户隐私泄漏检测系统；
一种社交媒体用户隐私泄漏检测系统，包括：
采集模块，其被配置为采集待预测社交媒体用户发布内容；
第一学习模块，其被配置为对待预测社交媒体用户发布内容，通过第一注意力机制模型Attention Model，学习待预测的学习句子表示；
第二学习模块，其被配置为基于待预测的句子表示，通过第二注意力机制模型Attention Model，学习待预测社交媒体用户发布内容的表示；
预测模块，其被配置为将待预测社交媒体用户发布内容的表示，输入到预先训练好的预测模型中，输出待预测社交媒体用户的隐私是否泄露，以及所泄露隐私的类型。
第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。
第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。
与现有技术相比，本公开的有益效果是：
本公开对用户发布内容构建层次结构，分为单词层和句子层，通过使用表示学习技术，形成用户发布内容的精确表示。
本公开引入的双层注意力机制可以实现单词和句子置信度的自动分配，解决不同单词和句子在用户内容表示中有不同的置信水平的问题。
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为一个或多个实施方式的流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，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。
表示学习：表示学习是学习特征的技术的集合，将原始数据转换成为能够被机器学习来有效开发的一种形式。它避免了手动提取特征的麻烦，允许计算机在学习使用特征的同时，也学习如何提取特征。
注意力机制(Attention Model)：注意力机制是由人类观察环境的习惯规律总结而来的，人类在观察环境时，大脑往往只关注某几个特别重要的局部，获取需要的信息，构建出关于环境的某种描述。注意力机制通过学习不同局部的重要性，生成对应权重，形成更加准确的数据表示。
实施例一，本实施例提供了一种社交媒体用户隐私泄漏检测方法；
如图1所示，一种社交媒体用户隐私泄漏检测方法，包括：
采集待预测社交媒体用户发布内容；
对待预测社交媒体用户发布内容，通过第一注意力机制模型Attention Model，学习待预测的学习句子表示；
基于待预测的句子表示，通过第二注意力机制模型Attention Model，学习待预测社交媒体用户发布内容的表示；
将待预测社交媒体用户发布内容的表示，输入到预先训练好的预测模型中，输出待预测社交媒体用户的隐私是否泄露，以及所泄露隐私的类型。
利用注意力机制模型的好处是：注意力机制通过学习不同局部的重要性，生成对应权重，从而形成更加准确的数据表示。
利用双层注意力机制模型的好处是：本发明引入的双层注意力机制可以实现单词和句子置信度的自动分配，解决不同单词和句子在用户内容表示中有不同的置信水平的问题。
作为一个或多个实施例，所述预先训练好的预测模型的训练步骤，包括：
构建预测模型；
采集社交媒体用户发布内容，对用户发布内容通过第一注意力机制模型，学习训练集句子表示；
基于句子表示，通过第二注意力机制模型，学习用户发布内容的表示；
基于用户发布内容的表示、已知用户隐私未泄露标签、已知用户隐私已泄露标签和所泄露隐私类型标签，构建社交媒体用户隐私数据训练集；
基于训练集对预测模型进行训练，得到训练好的预测模型。
作为一个或多个实施例，所述待预测社交媒体用户发布内容，具体包括：用户在Twitter等各种社交媒体发布的内容。
作为一个或多个实施例，对待预测社交媒体用户发布内容，通过第一注意力机制模型，待预测的学习句子表示；具体步骤包括：
假设待预测社交媒体用户发布内容包括若干个句子，每个句子包括若干个单词；将每个单词映射为词向量；
将词向量输入到第一双向门控循环单元中，得到每个单词的表示；
通过注意力机制模型，为每个单词的表示分配不同的置信度，形成待预测的具有不同单词置信度的句子表示。
为每个单词的表示分配不同的置信度的好处是通过为信息量强大的单词分配较高的权重，形成更为准确的句子表示；
作为一个或多个实施例，基于待预测的句子表示，通过第二注意力机制模型，学习待预测社交媒体用户发布内容的表示；具体步骤包括：
将待预测的具有不同单词置信度的句子表示，输入到第二双向门控循环单元中，得到每个句子的最终表示；
通过注意力机制模型，为每个句子的最终表示分配不同的置信度，形成待预测的具有不同句子置信度的内容表示。
为每个句子的最终表示分配不同的置信度的好处是通过为信息量强大的句子分配较高的权重，准确学习到用户通过发布内容传达的意思；
作为一个或多个实施例，基于训练集对预测模型进行训练，得到训练好的预测模型，具体步骤包括：
基于待预测的具有不同句子置信度的内容表示、已知用户隐私未泄露标签、已知用户隐私已泄露标签和所泄露隐私类型标签，对预测模型进行训练，当损失函数达到最小值时，得到训练好的预测模型。
所述预测模型为组套索模型。
作为一个或多个实施例，对待预测社交媒体用户发布内容，通过第一注意力机制模型，待预测的学习句子表示；具体步骤包括：
S11：获取用户发布内容集合进行建模。其中，每一条内容含有M个句子S＝{s1，s2，…，sM}，每一个句子sm含有Pm个单词对于每个单词使用word2vec工具将其映射为词向量本公开基于用户发布内容的层次结构，通过双向门控循环单元(BiGRU)对单词层进行建模，其中第t个单词的正向隐藏层状态表示为：
其中，ut是更新门，rt是重置门，ct是记忆细胞状态，是上一时刻隐藏层状态，是单词的向量表示，σ(x)是sigmoid函数，tanh(x)是tanh函数，Wu，Wr，Wc，bu，br和bc是模型参数，是这一时刻隐藏层状态；
同理，得到第m个单词反向隐藏层状态
因此，最终得到第t个单词的表示如下：
S12：由于一个句子中每个单词的置信度不同，引入注意力机制，自动为每个单词分配不同的置信度，形成具有不同单词置信度的句子表示：
其中是第t个单词的潜在表示，tanh(x)是tanh函数，是第t个单词的表示，cw代表代表当前单词对隐私泄露检测信息量大小，是为每个单词自动分配的权重，km是第m个句子具有不同单词置信度最终表示，Ww和bw是模型参数。
所述步骤S2用户发布内容表示学习的过程还包括：
S21：基于S12学习的句子表示km，本公开将其送入句子层的BiGRU，其中，第m个句子的正向隐藏状态是：
其中代表句子层正向的GRU，km是第m个句子具有不同单词置信度最终表示，是第m个句子的正向隐藏状态，类似的，可以得到第m个句子的反向隐藏状态是最终可以得到第m个句子的表示
S22：由于同一条内容中的各句子的置信度不同，我们在句子层引入注意力机制，自动为每个句子分配不同的置信度，形成具有不同句子置信度的内容表示：
um＝tanh(Wshm+bs)
vi＝∑mβmum
其中um是第m个句子的潜在表示，hm是第m个句子的表示，tanh(x)是tanh函数，cs代表代表当前句子对隐私泄露检测信息量大小，βm是为每个句子分配的置信度，vi是第i条内容具有不同句子置信度最终表示，Ws和bs是模型参数。
所述步骤S3隐私泄露检测模型构建的过程还包括：
S31：使用S2生成的用户内容向量表示和标签集合进行建模，其中D为表征每条内容的向量维数，N表示用户数量，Q表示用户隐私类别数量。本公开将向量vi通过线性预测模型，得到预测值fq(vi)。使用二范数，基于标签集合Y和预测值fq(vi)，构建损失函数Γ：
其中vi是第i条内容的最终表示，是第q项任务的线性映射权重，fq(vi)是预测值，Y是标签集合，V是用户内容向量表示，W＝{w1，w2，…wQ}∈RD ×Q是映射权重集合，Γ代表损失函数。
实施例二，本实施例提供了一种社交媒体用户隐私泄漏检测系统；
一种社交媒体用户隐私泄漏检测系统，包括：
采集模块，其被配置为采集待预测社交媒体用户发布内容；
第一学习模块，其被配置为对待预测社交媒体用户发布内容，通过第一注意力机制模型Attention Model，学习待预测的学习句子表示；
第二学习模块，其被配置为基于待预测的句子表示，通过第二注意力机制模型Attention Model，学习待预测社交媒体用户发布内容的表示；
预测模块，其被配置为将待预测社交媒体用户发布内容的表示，输入到预先训练好的预测模型中，输出待预测社交媒体用户的隐私是否泄露，以及所泄露隐私的类型。
实施例三，本实施例还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成方法中的各个操作，为了简洁，在此不再赘述。
所述电子设备可以是移动终端以及非移动终端，非移动终端包括台式计算机，移动终端包括智能手机(Smart Phone，如Android手机、IOS手机等)、智能眼镜、智能手表、智能手环、平板电脑、笔记本电脑、个人数字助理等可以进行无线通信的移动互联网设备。
应理解，在本公开中，该处理器可以是中央处理单元CPU，该处理器还算可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外一点，所显示或讨论的相互之间的耦合或者直接耦合或者通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种社交媒体用户隐私泄漏检测方法，其特征是，包括：
采集待预测社交媒体用户发布内容；
对待预测社交媒体用户发布内容，通过第一注意力机制模型Attention Model，学习待预测的学习句子表示；
基于待预测的句子表示，通过第二注意力机制模型Attention Model，学习待预测社交媒体用户发布内容的表示；
将待预测社交媒体用户发布内容的表示，输入到预先训练好的预测模型中，输出待预测社交媒体用户的隐私是否泄露，以及所泄露隐私的类型。
2.如权利要求1所述的方法，其特征是，所述预先训练好的预测模型的训练步骤，包括：
构建预测模型；
采集社交媒体用户发布内容，对用户发布内容通过第一注意力机制模型，学习训练集句子表示；
基于句子表示，通过第二注意力机制模型，学习用户发布内容的表示；
基于用户发布内容的表示、已知用户隐私未泄露标签、已知用户隐私已泄露标签和所泄露隐私类型标签，构建社交媒体用户隐私数据训练集；
基于训练集对预测模型进行训练，得到训练好的预测模型。
3.如权利要求1所述的方法，其特征是，对待预测社交媒体用户发布内容，通过第一注意力机制模型，待预测的学习句子表示；具体步骤包括：
假设待预测社交媒体用户发布内容包括若干个句子，每个句子包括若干个单词；将每个单词映射为词向量；
将词向量输入到第一双向门控循环单元中，得到每个单词的表示；
通过注意力机制模型，为每个单词的表示分配不同的置信度，形成待预测的具有不同单词置信度的句子表示。
4.如权利要求1所述的方法，其特征是，基于待预测的句子表示，通过第二注意力机制模型，学习待预测社交媒体用户发布内容的表示；具体步骤包括：
将待预测的具有不同单词置信度的句子表示，输入到第二双向门控循环单元中，得到每个句子的最终表示；
通过注意力机制模型，为每个句子的最终表示分配不同的置信度，形成待预测的具有不同句子置信度的内容表示。
5.如权利要求1所述的方法，其特征是，基于训练集对预测模型进行训练，得到训练好的预测模型，具体步骤包括：
基于待预测的具有不同句子置信度的内容表示、已知用户隐私未泄露标签、已知用户隐私已泄露标签和所泄露隐私类型标签，对预测模型进行训练，当损失函数达到最小值时，得到训练好的预测模型。
6.如权利要求3所述的方法，其特征是，对待预测社交媒体用户发布内容，通过第一注意力机制模型，待预测的学习句子表示；具体步骤包括：
S11：获取用户发布内容集合进行建模；其中，每一条内容含有M个句子S＝{s1，s2，…，sM}，每一个句子sm含有Pm个单词对于每个单词使用word2vec工具将其映射为词向量基于用户发布内容的层次结构，通过双向门控循环单元BiGRU对单词层进行建模，其中第t个单词的正向隐藏层状态表示为：
其中，ut是更新门，rt是重置门，ct是记忆细胞状态，是上一时刻隐藏层状态，是单词的向量表示，σ(x)是sigmoid函数，tanh(x)是tanh函数，Wu，Wr，Wc，bu，br和bc是模型参数，是这一时刻隐藏层状态；
同理，得到第m个单词反向隐藏层状态
因此，最终得到第t个单词的表示如下：
S12：由于一个句子中每个单词的置信度不同，引入注意力机制，自动为每个单词分配不同的置信度，形成具有不同单词置信度的句子表示：
其中是第t个单词的潜在表示，tanh(x)是tanh函数，是第t个单词的表示，cw代表代表当前单词对隐私泄露检测信息量大小，是为每个单词自动分配的权重，km是第m个句子具有不同单词置信度最终表示，Ww和bw是模型参数。
7.如权利要求6所述的方法，其特征是，用户发布内容的表示学习的过程还包括：
S21：基于S12学习的句子表示km，将其送入句子层的BiGRU，其中，第m个句子的正向隐藏状态是：
其中代表句子层正向的GRU，km是第m个句子具有不同单词置信度最终表示，是第m个句子的正向隐藏状态，类似的，可以得到第m个句子的反向隐藏状态是最终可以得到第m个句子的表示
S22：在句子层引入注意力机制，自动为每个句子分配不同的置信度，形成具有不同句子置信度的内容表示：
um＝tanh(Wshm+bs)
vi＝∑mβmum
其中um是第m个句子的潜在表示，hm是第m个句子的表示，tanh(x)是tanh函数，cs代表代表当前句子对隐私泄露检测信息量大小，βm是为每个句子分配的置信度，vi是第i条内容具有不同句子置信度最终表示，Ws和bs是模型参数。
8.一种社交媒体用户隐私泄漏检测系统，其特征是，包括：
采集模块，其被配置为采集待预测社交媒体用户发布内容；
第一学习模块，其被配置为对待预测社交媒体用户发布内容，通过第一注意力机制模型Attention Model，学习待预测的学习句子表示；
第二学习模块，其被配置为基于待预测的句子表示，通过第二注意力机制模型Attention Model，学习待预测社交媒体用户发布内容的表示；
预测模块，其被配置为将待预测社交媒体用户发布内容的表示，输入到预先训练好的预测模型中，输出待预测社交媒体用户的隐私是否泄露，以及所泄露隐私的类型。
9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项方法所述的步骤。
10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项方法所述的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910406849.1A CN110175469B (zh) | 2019-05-16 | 2019-05-16 | 一种社交媒体用户隐私泄漏检测方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910406849.1A CN110175469B (zh) | 2019-05-16 | 2019-05-16 | 一种社交媒体用户隐私泄漏检测方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110175469A true CN110175469A (zh) | 2019-08-27 |
| CN110175469B CN110175469B (zh) | 2020-11-17 |
Family
ID=67691374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910406849.1A Active CN110175469B (zh) | 2019-05-16 | 2019-05-16 | 一种社交媒体用户隐私泄漏检测方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110175469B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109739976A (zh) * | 2018-11-30 | 2019-05-10 | 中国科学院计算技术研究所 | 网络社交平台隐私甄别方法、系统、存储介质和计算机 |
| CN111415013A (zh) * | 2020-03-20 | 2020-07-14 | 矩阵元技术（深圳）有限公司 | 隐私机器学习模型生成、训练方法、装置及电子设备 |
| CN111625863A (zh) * | 2020-05-27 | 2020-09-04 | 上海明略人工智能(集团)有限公司 | 隐私保护方法、装置、电子设备及存储介质 |
| CN112364373A (zh) * | 2020-11-03 | 2021-02-12 | 中国银联股份有限公司 | 数据处理方法、装置、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107704877A (zh) * | 2017-10-09 | 2018-02-16 | 哈尔滨工业大学深圳研究生院 | 一种基于深度学习的图像隐私感知方法 |
| US20180261214A1 (en) * | 2017-02-06 | 2018-09-13 | Facebook, Inc. | Sequence-to-sequence convolutional architecture |
| CN108830100A (zh) * | 2018-05-30 | 2018-11-16 | 山东大学 | 基于多任务学习的用户隐私泄漏检测方法、服务器及系统 |
| CN108829722A (zh) * | 2018-05-08 | 2018-11-16 | 国家计算机网络与信息安全管理中心 | 一种远程监督的Dual-Attention关系分类方法及系统 |
| CN108897739A (zh) * | 2018-07-20 | 2018-11-27 | 西安交通大学 | 一种智能化的应用流量识别特征自动挖掘方法与系统 |
| CN109410079A (zh) * | 2018-09-13 | 2019-03-01 | 清华大学 | 最优有限注意力下的社交推荐方法及装置 |
-
2019
- 2019-05-16 CN CN201910406849.1A patent/CN110175469B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180261214A1 (en) * | 2017-02-06 | 2018-09-13 | Facebook, Inc. | Sequence-to-sequence convolutional architecture |
| CN107704877A (zh) * | 2017-10-09 | 2018-02-16 | 哈尔滨工业大学深圳研究生院 | 一种基于深度学习的图像隐私感知方法 |
| CN108829722A (zh) * | 2018-05-08 | 2018-11-16 | 国家计算机网络与信息安全管理中心 | 一种远程监督的Dual-Attention关系分类方法及系统 |
| CN108830100A (zh) * | 2018-05-30 | 2018-11-16 | 山东大学 | 基于多任务学习的用户隐私泄漏检测方法、服务器及系统 |
| CN108897739A (zh) * | 2018-07-20 | 2018-11-27 | 西安交通大学 | 一种智能化的应用流量识别特征自动挖掘方法与系统 |
| CN109410079A (zh) * | 2018-09-13 | 2019-03-01 | 清华大学 | 最优有限注意力下的社交推荐方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| SNEHA CHAUDHARI ET AL.: "an attentive survey of attention models", 《HTTPS://ARXIV.ORG/PDF/1904.02874.PDF》 * |
| XUEMENG SONG ET AL.: "Neural Compatibility Modeling with Attentive Knowledge Distillation", 《HTTPS://DL.ACM.ORG/DOI/10.1145/3209978.3209996》 * |
| 张兰霞等: "基于双向GRU神经网络和双层注意力机制的中文文本中人物关系抽取研究", 《计算机应用与软件》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109739976A (zh) * | 2018-11-30 | 2019-05-10 | 中国科学院计算技术研究所 | 网络社交平台隐私甄别方法、系统、存储介质和计算机 |
| CN111415013A (zh) * | 2020-03-20 | 2020-07-14 | 矩阵元技术（深圳）有限公司 | 隐私机器学习模型生成、训练方法、装置及电子设备 |
| CN111415013B (zh) * | 2020-03-20 | 2024-03-22 | 矩阵元技术（深圳）有限公司 | 隐私机器学习模型生成、训练方法、装置及电子设备 |
| CN111625863A (zh) * | 2020-05-27 | 2020-09-04 | 上海明略人工智能(集团)有限公司 | 隐私保护方法、装置、电子设备及存储介质 |
| CN111625863B (zh) * | 2020-05-27 | 2024-01-19 | 上海明略人工智能(集团)有限公司 | 隐私保护方法、装置、电子设备及存储介质 |
| CN112364373A (zh) * | 2020-11-03 | 2021-02-12 | 中国银联股份有限公司 | 数据处理方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110175469B (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106980683B (zh) | 基于深度学习的博客文本摘要生成方法 | |
| TWI788529B (zh) | 基於ｌｓｔｍ模型的信用風險預測方法及裝置 | |
| CN110175469A (zh) | 一种社交媒体用户隐私泄漏检测方法、系统、设备及介质 | |
| CN110147551B (zh) | 多类别实体识别模型训练、实体识别方法、服务器及终端 | |
| CN109919316A (zh) | 获取网络表示学习向量的方法、装置和设备及存储介质 | |
| Bouchacourt et al. | Disco nets: Dissimilarity coefficients networks | |
| CN108062388A (zh) | 人机对话的回复生成方法和装置 | |
| CN108647233A (zh) | 一种用于问答系统的答案排序方法 | |
| CN109800307A (zh) | 产品评价的分析方法、装置、计算机设备及存储介质 | |
| CN105825269B (zh) | 一种基于并行自动编码机的特征学习方法及系统 | |
| CN108920717B (zh) | 用于显示信息的方法及装置 | |
| CN110188825A (zh) | 基于离散多视图聚类的图像聚类方法、系统、设备及介质 | |
| US20220075955A1 (en) | Neural network training method and apparatus, semantic classification method and apparatus and medium | |
| WO2023206771A1 (zh) | 基于决策流图的环境建模方法、装置和电子设备 | |
| CN110046981A (zh) | 一种信用评估方法、装置及存储介质 | |
| CN110263328A (zh) | 一种学科能力类型标注方法、装置、存储介质及终端设备 | |
| CN110322959A (zh) | 一种基于知识的深度医疗问题路由方法及系统 | |
| CN112883257A (zh) | 行为序列数据处理方法、装置、电子设备及存储介质 | |
| CN112131261A (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
| CN109753275A (zh) | 应用编程接口的推荐方法、装置、存储介质和电子设备 | |
| CN113704511B (zh) | 多媒体资源的推荐方法、装置、电子设备及存储介质 | |
| Cao et al. | A dual attention model based on probabilistically mask for 3D human motion prediction | |
| Rai | Advanced deep learning with R: Become an expert at designing, building, and improving advanced neural network models using R | |
| Huang et al. | A statistical model for social network labeling | |
| CN110363283A (zh) | 基于深度学习的用户属性预测方法及相关装置 |
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 |