王 波

（中金金融認(rèn)證中心有限公司，上海 201210）

0 引言

隨著信息網(wǎng)絡(luò)的發(fā)展，大量個人用戶及企業(yè)信息數(shù)據(jù)暴露在公眾的視野中，這也暴露出互聯(lián)網(wǎng)存在重大的安全隱患，為了保障數(shù)據(jù)的安全，如何對個人信息數(shù)據(jù)

進(jìn)行分類保存是當(dāng)下網(wǎng)絡(luò)安全研究中具有實際意義的領(lǐng)域。2014 年，Verma 等人提出使用機(jī)器學(xué)習(xí)的文本分類（垃圾郵件）調(diào)查方法對傳入的郵件進(jìn)行分類，并刪除不需要的信件。2012 年，王超學(xué)等人[1]利用 K-Means 算法對訓(xùn)練樣本集進(jìn)行聚類，得到了改進(jìn)后的加權(quán) KNN 文本分類算法。2019 年，鄧曉衡等人[2]提出了一種基于詞義和詞頻的向量空間模型改進(jìn)方法，明顯地提高了計算的效率和結(jié)果的準(zhǔn)確性。

該文主要提出了一種基于K 近鄰分類的個人信息分類算法，運用該算法對移動端隱私文本文件進(jìn)行分類學(xué)習(xí)，以提升提取個人信息數(shù)據(jù)的效率以及分類的準(zhǔn)確性，通過該分類方法對移動應(yīng)用隱私文本進(jìn)行多元化分類，并研究移動應(yīng)用收集個人信息的情況，這個階段的主要工作是對移動應(yīng)用個人隱私文本進(jìn)行分類、分析并給出可視化的結(jié)果。

1 個人信息數(shù)據(jù)分類

根據(jù)《App 違法違規(guī)收集使用個人信息行為認(rèn)定方法》的相關(guān)規(guī)定，網(wǎng)絡(luò)運營者收集、使用個人信息時應(yīng)遵循合法、正當(dāng)且必要的原則，公開收集、使用規(guī)則，明確收集、使用信息的目的、方式和范圍，還必須經(jīng)過信息所有者的同意。筆者對從互聯(lián)網(wǎng)中依法收集的移動端應(yīng)用的個人信息進(jìn)行分類，將其分為8 類：位置信息、身份信息、財產(chǎn)信息、工作信息、交易信息、上網(wǎng)信息、教育信息以及車輛信息。

1.1 基于K 近鄰算法的移動端個人信息多分類方法的研究

個人信息分類映射問題主要是對樣本進(jìn)行分類處理后，將其映射到滿足特定需求的集合中的數(shù)據(jù)處理方法，建模流程如圖1 所示。其建模難點在于建立準(zhǔn)備識別分類特征的映射規(guī)則。

圖1 分類映射建模模型

該文研究的個人信息數(shù)據(jù)的分類檢測是運用分類映射提取分詞和文件的特征值，最終將文本特征轉(zhuǎn)換為向量的形式。該研究采用的是K 鄰近算法分類方法，K 近鄰算法是模式識別領(lǐng)域非常著名的統(tǒng)計算法[3]，K 近鄰分類算法也是最早應(yīng)用于自動文本分類的機(jī)器學(xué)習(xí)算法之一，KNN 算法屬于無監(jiān)督學(xué)習(xí)，與其他算法相比，它可以不通過訓(xùn)練直接進(jìn)行分類，對文本的適應(yīng)性較強(qiáng)。該算法的基本思路如下：先將訓(xùn)練文本集中的所有文本轉(zhuǎn)換為向量的形式，再將這些文本向量組成文本向量集儲存起來，當(dāng)待分類文本到達(dá)時，計算這篇文本與訓(xùn)練文本集中每個文本的相似度，將計算得到的值按降序排列，找出排在最前面的K 篇文本，然后根據(jù)該文本所屬的類別來判斷待分類文本所屬的類別。計算文本相似度的方法通常有歐氏距離、向量內(nèi)積和夾角余弦，該文采用夾角余弦計算文本之間的相似度，如公式（1）所示。

式中：W1i和W2i分別為2 個文本向量d1和d2中的第i個特征項的權(quán)重值。

得到的余弦值越大說明2 個文本的相似度越高，2 個向量所代表的文本就越可能屬于同一個類別。反之，2 個向量所代表的文本屬于同一個類別的可能性就越小。根據(jù)該文本對待分類文本進(jìn)行歸類的方法如下：K 篇文本與待分類文本的相似度如公式（2）所示，對屬于同一個類的文本的相似度進(jìn)行求和，然后對每個類所求的和進(jìn)行排序，將待分類文本分到相似度之和比較大的那個類中。

式中：k為選取的文本數(shù)；Tj（di）為文本di是否屬于Cj類，如果屬于，則值為1，否則值為0

1.2 基于K 近鄰算法的移動端個人信息多分類方法的實現(xiàn)

一般來說，當(dāng)獲取到移動應(yīng)用的隱私文本后，對隱私文本信息進(jìn)行文本預(yù)處理后，再對長句子進(jìn)行劃分，提取特征詞，通過停用詞減少無用詞匯對最終分類結(jié)果的影響。用簡單的特征向量來表示每個文本的數(shù)據(jù)，便于對數(shù)據(jù)進(jìn)行分類計算。該文先對訓(xùn)練集進(jìn)行特征提取，再將測試集中的文本數(shù)據(jù)放入訓(xùn)練集得到的向量空間中，確保訓(xùn)練集和測試集的一致性。該文對這類挖掘推理采用機(jī)器學(xué)習(xí)的方式使其自動化地對個人數(shù)據(jù)進(jìn)行分類，采用構(gòu)造分類器對個人信息進(jìn)行處理，提升分類效率，具體流程如圖2 所示。

圖2 基于K 鄰近分類的處理流程

1.2.1 個人信息文本分類預(yù)處理

個人信息文本預(yù)處理是文本分類的起點，對之后的實驗結(jié)果有較大的影響，因此必須保證該階段的質(zhì)量，才能保證得到質(zhì)量較高的文本分類數(shù)據(jù)。同時，也能提高文本分類的效率。在預(yù)處理階段，需要對文本信息進(jìn)行刪除噪聲和分詞處理。

該文利用Python 軟件進(jìn)行編程，過濾掉雜亂無章的非中文字符，得到純文本信息。英文文本中的單詞與單詞之間是通過空格將其隔開的，與英文文本不同，中文文本的字與詞、字與字之間是沒有空格將其分隔開的，因此要將中文文本按照設(shè)定好的分詞算法分成以詞語為最小單位文本，用空格分隔符對文本內(nèi)容進(jìn)行分隔，只有這樣才能在基于單詞的基礎(chǔ)上用結(jié)構(gòu)化的形式展示文檔。

1.2.1.1 降噪

對中文文本來說，采集到的數(shù)據(jù)通常包括大量的無用數(shù)據(jù)（噪聲），通常為數(shù)據(jù)的來源地、作者標(biāo)簽以及采集過程中出現(xiàn)的特殊字符等，這一類文字常常與正文內(nèi)容毫不相干，對文本的分類沒有絲毫作用。大量的噪聲干擾將會導(dǎo)致出現(xiàn)分類模型的分類結(jié)果不準(zhǔn)確的現(xiàn)象。在第一步預(yù)處理的過程中，對文本數(shù)據(jù)進(jìn)行降噪處理，能夠減少文本數(shù)據(jù)中的詞匯量，降低特征空間的維度，減少后續(xù)工作的難度。

2）將鄉(xiāng)村作為基礎(chǔ)，選擇合適的地域。結(jié)合當(dāng)?shù)匦罗r(nóng)村建設(shè)背景，同時結(jié)合當(dāng)?shù)氐乩項l件，為農(nóng)村保留具有特色的自然景觀。然后結(jié)合本地人文資源，營造出優(yōu)美，富有內(nèi)涵的景區(qū)[4]。第三方面，發(fā)展農(nóng)村旅游業(yè)，還需要突出文化特點，在其中融入當(dāng)?shù)仫L(fēng)土人情，對當(dāng)?shù)匚幕厣M(jìn)行充分利用，充分滿足游客的觀賞需要。

1.2.1.2 中文文本分詞處理

中文分詞模型的算法主要經(jīng)歷了3 個階段：基于匹配的詞典分詞算法、基于標(biāo)注的機(jī)器學(xué)習(xí)算法和基于理解的深度學(xué)習(xí)算法[4]。在其他分類方法中，也被分為2 種分類方法，基于匹配的詞典分詞算法（機(jī)械分詞算法）和統(tǒng)計分詞算法。

1.2.1.3 去除停用詞

停用詞被定義為對文本分類沒有任何作用的高頻詞組，例如語氣助詞、人稱代詞、標(biāo)點符號以及特殊符號等，這些詞被稱為停用詞。刪除停用詞可以節(jié)省儲存空間，提高編程代碼運行的速度，降低特征空間的維度，進(jìn)一步提高中文文本分類的準(zhǔn)確性和效率，一般采用停用詞字典的方法，即對所有的特征詞進(jìn)行遍歷，去除包括停用詞字典詞語的方法。

1.2.2 個人信息文本表示

通過文本預(yù)處理階段后得到可以被人類識別的文本信息，但是對計算機(jī)來說，其并不能完整理解其中的含義，如果想用計算機(jī)對中文文本進(jìn)行處理，那么需要將其轉(zhuǎn)化為計算機(jī)可以理解的結(jié)構(gòu)化二進(jìn)制形式，預(yù)處理得到的文本為計算機(jī)可識別的特征文本，在該文中，筆者采用向量空間模型，向量空間模型是信息檢索領(lǐng)域中經(jīng)典的模型之一，它對文本信息進(jìn)行簡化處理并表示成向量空間中的向量運算，將可以直觀反映的空間上的相似度表示為語義的相似度。

用特征空間的1 個向量d來表示1 個文檔a，如公式（3）所示。

式中：tn為第n個特征詞；wn為對應(yīng)的權(quán)值。

1.2.3 個人信息文本處理階段

經(jīng)過文本分詞和文本表示2 個階段后，得到一系列的特征詞（表示1 篇文章），但是這一系列的特征詞中除去停用詞后，仍然包括一些對文本分類貢獻(xiàn)不大的無用特征詞，需要采用特征空間降維的方法減少特征詞的數(shù)量，提高分類的準(zhǔn)確性。但是在實際情況中，經(jīng)過特征選擇后，出現(xiàn)頻率不同的特征詞對分類結(jié)果的重要性是不同的，給每個特征詞賦予權(quán)重，可以表示該特征詞對最終結(jié)果的影響。目前，有2種主流的方法對特征進(jìn)行加權(quán)表示，布爾權(quán)重法和TF-IDF算法。布爾權(quán)重法將出現(xiàn)次數(shù)大于某一確定閾值的特征設(shè)定為1，低于閾值的特征設(shè)定為0，常用于特征項較少的情況。TF-IDF 算法將逆文檔頻率（IDF）和頻率（TF）作為衡量指標(biāo)，IDF和TF如公式（4）、公式（5）所示。

從公式（4）、公式（5）中可以看出，TF-IDF 考慮了特征詞的2 個因素，TF為某一特征詞在該文出現(xiàn)的頻率，出現(xiàn)次數(shù)越多，對最終的分類結(jié)果越有利，而ID表示所有文本數(shù)據(jù)中有多少個文本包括這個單詞，而IDF為log 形式，表示出現(xiàn)次數(shù)越多，越不利于分類。該文采用TF-IDF 的向量空間對中文文本進(jìn)行處理。

1.3 基于K 近鄰算法的移動端個人信息多分類方法具體實現(xiàn)過程

在對文本信息進(jìn)行預(yù)處理后，一段話被分割成多個詞語，從每段話中提取重要詞語，使數(shù)據(jù)集文檔中沒有標(biāo)點符號、語氣助詞等無用詞匯，利用空格分隔符對詞語進(jìn)行分割，縮減文檔的內(nèi)容。但是，需要對每個詞語進(jìn)行向量化處理，每個詞語被轉(zhuǎn)化成結(jié)構(gòu)化二進(jìn)制形式后被計算機(jī)識別，再進(jìn)行后續(xù)的分類計算。首先，利用Python 的第三方庫sklearn將文本內(nèi)容變成向量，再通過該文所采用的TF-IDF 向量空間模型進(jìn)行建模，并利用sklearn 第三方庫進(jìn)行計算。

將中文數(shù)據(jù)集拆分成訓(xùn)練集和測試集。利用Python 中的第三方庫jieba 模塊對中文分詞進(jìn)行處理，對長句子進(jìn)行劃分，提取特征詞，將訓(xùn)練集中的特征詞放入文件夾train 中，將測試集中的特征詞放入文件夾test 中，并按類別進(jìn)行存放。將前人總結(jié)的停用詞放入hlt_stop_words.txt（縮減文檔的內(nèi)容）中，組成停用詞表，去除 train 和test 文件中的停用詞，減少無用詞匯對最終分類結(jié)果的影響。

利用Python 的第三方庫sklearn 將文本內(nèi)容變成bunch向量，每個bunch 向量包括4 類信息，文本類別、文本文件名、文本標(biāo)簽和文本內(nèi)容。其中，文本類別包括所有的文本類型，文該文件名為當(dāng)前正在處理的數(shù)據(jù)的文件名，文本標(biāo)簽和文本內(nèi)容分別為當(dāng)前正在處理的文本所屬的類別標(biāo)簽和去除停用詞后的特征詞。

運用TF-IDF 方法提取文本特征詞中的特征，將每個文本的數(shù)據(jù)提取成簡單的特征向量，便于對數(shù)據(jù)進(jìn)行分類計算。為了確保訓(xùn)練集和測試集的一致性，該文先提取訓(xùn)練集的特征，再將測試集中的文本數(shù)據(jù)放入訓(xùn)練集得到的向量空間中。該文采用Python 的sklearn 第三方庫進(jìn)行特征計算。

在最終的分類中，同樣采用Python 的sklearn 第三方庫構(gòu)建KNN 分類器，由TF-IDF 方法對訓(xùn)練集中得到的特征進(jìn)行訓(xùn)練，對分類器參數(shù)進(jìn)行微調(diào)。利用微調(diào)后的模型在測試集中進(jìn)行測試，得到最終的分類結(jié)果。

2 實驗結(jié)果與分析

在KNN 分類算法中，不同的K值在同一個加權(quán)方法下的分類方法的準(zhǔn)確性是不同的，隨著K值的升高，使用的加權(quán)方法準(zhǔn)確率有可能上升也可能下降。因此，筆者采用了不同的K值來確定最優(yōu)的K值。

由表1 可知，當(dāng)K值等于5 時，分類精度、召回率最高，F(xiàn)1值（精確度和召回率的調(diào)和平均值）與K等于3 時并列第一，則在該實驗背景下，當(dāng)K值等于5 時，得到的結(jié)果最優(yōu)，因此選擇K等于5，為該實驗的參數(shù)設(shè)置。預(yù)測結(jié)果見表2。

表1 KNN 不同K 值下的精度、召回率、F1 值

由表2 可以看出，文本數(shù)量集中在位置信息、上網(wǎng)信息和教育信息中，3 類信息的數(shù)量明顯超過其他種類的文本數(shù)據(jù)，數(shù)據(jù)分布不均勻，但是該文應(yīng)用的KNN 分類算法仍然能夠?qū)Σ煌姆N類進(jìn)行分類，正確率為94%。結(jié)果表明，該文的KNN 算法具有一定的優(yōu)越性。該文還將K=5 時的KNN算法與SVM 和樸素貝葉斯算法進(jìn)行比較，結(jié)果見表3。

表2 各類別分類正確個數(shù)

表3 不同算法的識別率

由表3 可知，KNN 算法與樸素貝葉斯算法的精度、召回率和F1值都明顯高于SVM，說明SVM 在這一類文本數(shù)據(jù)中的分類效果并不是最優(yōu)的。KNN算法和樸素貝葉斯算法具有相同的精度，但KNN 算法的召回率比樸素貝葉斯算法高0.2%，在F1值也比樸素貝葉斯算法高0.2%，表明KNN 算法在該文的算法流程下，可以得到最優(yōu)的分類結(jié)果。

3 總結(jié)

隨著互聯(lián)網(wǎng)的飛速發(fā)展，互聯(lián)網(wǎng)上的信息呈爆炸式增長，但也給人們帶來了很多困惑，如何從雜亂無章的信息中直接、高效地對個人信息進(jìn)行分類受到了越來越多的關(guān)注。該文針對目前取證方法論的薄弱環(huán)節(jié)提出了K 近鄰分類的移動端個人信息分類算法，對移動端隱私數(shù)據(jù)進(jìn)行分類學(xué)習(xí)，以提升隱私信息提取及分類效率，提升了識別隱私政策中個人信息分類的效率與準(zhǔn)確性，豐富了關(guān)聯(lián)信息的多元連接性，有助于拓寬隱私數(shù)據(jù)取證范圍，為信息安全與取證開拓了思路。