中文文本中的个人信息自动化检测框架研究

摘要

为帮助数据持有者规避法律风险,有必要对数据集中的个人信息做检测和统计。然而当前尚缺有效工具支持检测中文数据集中的个人信息。为应对上述问题,根据法律文献整理出需要检测的个人信息类别,提出综合了模式匹配与自然语言处理技术的个人信息自动化检测框架,对中文文本中的个人信息进行检测。同时,提出一种识别家庭住址的方法,解决地址格式多样化的问题。以在线社交网络平台上的用户发布数据以及大规模的公开文本数据为例,展示该框架的可行性和有效性。