(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111637526.7 (22)申请日 2021.12.3 0 (71)申请人 闪捷信息科技有限公司 地址 311100 浙江省杭州市余杭区五常街 道文一西路9 98号5幢6 08室 (72)发明人 张黎　程树华　陈广辉　刘维炜　 杨大志　 (74)专利代理 机构 浙江千克知识产权代理有限 公司 33246 代理人 裴金华 (51)Int.Cl. G06F 16/35(2019.01) G06F 16/55(2019.01) G06F 21/62(2013.01) G06K 9/62(2022.01)G06V 10/774(2022.01) G06V 10/764(2022.01) G06N 3/02(2006.01) G06N 20/00(2019.01) (54)发明名称 一种基于深度学习技术的敏感信息识别方 法 (57)摘要 本发明提供一种基于深度学习技术的敏感 信息识别方法， 涉及数据识别技术领域， 包括以 下步骤： 获取训练数据集； 分别对图像数据、 全中 文数据集和非全中文数据集训练得到第一、 第二 和第三分类模型； 接受待预测的数据； 分别根据 待预测的数据的类型输入至第一、 第二和第三分 类模型， 得到标签； 获取所有标签， 对结构化数 据， 则统计每个字段下实例标签最多的类别作为 该字段的类别； 对非结构化数据， 则将中文分词 字符的类别进行敏感信息统计。 本发明合理有 效， 可以通过对原始数据进行特征工程， 将数据 集输入到对应的分类模型进行训练， 得到不同的 分类模型， 根据待识别的敏感数据类型得到分类 标签， 对不同类型的数据进行识别， 识别准确率 高， 保护性 好。 权利要求书2页 说明书6页 附图1页 CN 114218391 A 2022.03.22 CN 114218391 A 1.一种基于深度学习技 术的敏感信息识别方法， 其特 征在于， 包括以下步骤： S1： 获取训练数据集； S2： 判断训练数据集是否为图像数据， 若是则使用深度学习模型进行训练， 得到第一分 类模型， 并执 行步骤S4； 反 之则执行步骤S3； S3： 判断训练数据集是否为全中文数据集， 若是则使用深度 学习模型进行训练， 得到第 二分类模型， 并执行步骤S4； 反之则使用机器学习模型进行训练， 得到第三分类模型， 并执 行步骤S4； S4： 接收待预测的数据； S5： 判断待预测的数据是否为图像数据， 若是， 则将待预测的数据输入至第一分类模 型， 将分类结果作为图像的标签； 反 之则执行步骤S6； S6： 判断待预测的数据是否为结构化数据； 若是则将每个字段的实例进行提取， 执行步 骤S7； 反之则提取非结构化字符， 进行中文分词， 执 行步骤S7； S7： 判断获取的字段实例 或者中文分词是否为全中文数据； 若是则将字段实例 或者中 文分词输入至第二分类模型， 得到所有字段实例或者中文分词的标签； 反之则将字段实例 或者中文分词输入至第三分类模型， 得到所有字段实例或者中文分词的标签； S8： 获取所有标签， 若待预测的数据为图像数据， 将每一张图像的分类结果作为该图像 的标签， 并判断其是否为敏感图像信息； 若待预测的数据为结构化数据， 则统计每个字段下 实例标签最多的类别作为该字段 的类别， 并判断其是否为敏感字段信息； 若待预测的数据 为非结构化数据， 则将 中文分词字符的类别进行敏感信息统计， 并判断其是否为敏感字符 信息。 2.根据权利要求1所述的一种基于深度学习技 术的敏感信息识别方法， 其特 征在于： 执行步骤S4之前， 对分类模型进行测试和调优。 3.根据权利要求1所述的一种基于深度学习技 术的敏感信息识别方法， 其特 征在于： 执行步骤S1时， 训练数据集包括至少一种敏感信息实例及其对应的标签， 敏感信息包 括姓名、 职业、 工作单位、 家 庭住址、 身份 证、 驾驶证、 护照以及毕业证书。 4.根据权利要求1所述的一种基于深度学习技 术的敏感信息识别方法， 其特 征在于： 执行步骤S2时， 对图像数据的训练步骤具体包括： S21： 对图像进行增广； S22： 将图像 变换到同样的大小， 并进行归一 化处理； S23： 将处 理好的图像输入到resnet模型进行训练， 得到第一分类模型。 5.根据权利要求 4所述的一种基于深度学习技 术的敏感信息识别方法， 其特 征在于： 执行步骤S21时， 图像增广的方法包括随机改变亮暗和对比度、 随机填充、 随机裁剪、 随 机翻转以及随机打乱真实框排列顺序。 6.根据权利要求1所述的一种基于深度学习技 术的敏感信息识别方法， 其特 征在于： 执行步骤S3时， 对 全中文数据集的训练步骤具体包括： S311： 将数据集处 理成字段内容和标签两列； S312： 根据字符编码字典， 将字段内容 转换为向量， 并把标签进行独热编码； S313： 将处 理好的数据送到ber t模型中进行训练， 得到第二分类模型。 7.根据权利要求6所述的一种基于深度学习技 术的敏感信息识别方法， 其特 征在于：权　利　要　求　书 1/2 页 2 CN 114218391 A 2执行步骤S312时， 根据提前设置的字符与数字对应字典， 逐一 把字段内容 转换为数字 。 8.根据权利要求1所述的一种基于深度学习技 术的敏感信息识别方法， 其特 征在于： 执行步骤S3时， 对非全中文数据集的训练步骤具体包括： S321： 提取非中文数据集的自定义特 征； S322： 对特征进行预处理处理， 包括归一 化、 分箱等； S323： 将处 理好的数据输入到随机森林中进行训练， 得到第三分类模型。 9.根据权利要求8所述的一种基于深度学习技 术的敏感信息识别方法， 其特 征在于： 执行步骤S321时， 自定义特征为能体现相应敏感信息的特征， 特征包括是否包含大写 字母、 是否包 含特殊字符以及字段的长度。 10.根据权利要求1所述的一种基于深度学习技 术的敏感信息识别方法， 其特 征在于： 执行步骤S6时， 中文分词为对数据中的文本内容采用Jieba分词， 剔除无用的停用词。权　利　要　求　书 2/2 页 3 CN 114218391 A 3