(19)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 202210935013.2 (22)申请日 2022.08.04 (71)申请人 北京交通大 学 地址 100044 北京市海淀区上园村 3号 (72)发明人 杜晔　王心蕴　黎妹红　周俊杰　 (74)专利代理 机构 北京卫平智业专利代理事务 所(普通合伙) 11392 专利代理师 闫萍 (51)Int.Cl. G06F 21/62(2013.01) G06F 16/35(2019.01) G06F 40/194(2020.01) G06F 40/216(2020.01) G06F 40/289(2020.01) (54)发明名称 一种无监 督的密点标注和辅助定密方法 (57)摘要 本发明涉及一种为一种无监督的密点标注 和辅助定密方法， 包括如下步骤： 1)在训练过程 之前， 针对不同秘密类型分别建立语料统计库； 2)从语料统计库中利用算法计算词语置信度， 按 不同类型进行密级置信度排序， 构建密点词库； 3)从语料统计库中利用多特征融合的密点句置 信度评估 方法， 提取已定密文档中不同密级的密 点句， 构建密点句库； 4)利用构建的密点词库和 密点句库对待定密文档进行密点标注； 5)根据待 标注文档的定密结果， 纳入对应类别， 更新词语 统计库中相关词语的记录。 该方法提高了密点标 注的效率和准确率， 通过辅助定密有效避免了定 密的随机性、 主观性。 权利要求书3页 说明书8页 附图2页 CN 115481429 A 2022.12.16 CN 115481429 A 1.一种无监 督的密点标注和辅助定密方法， 其特 征在于， 包括如下步骤： 步骤1， 针对不同秘密类型分别建立语料统计库； 步骤2， 根据步骤1得到的语料统计库计算词语置信度， 按不同类型进行密级置信度排 序， 构建密点词库； 步骤3， 根据步骤1得到的语料统计库， 利用多特征融合的密点句置信度评估算法， 提取 已定密文档中不同密级的密点句， 构建密点句库； 步骤4， 利用步骤2构建的密点词库和步骤3构建的密点句库对待定密文档进行密点标 注； 步骤5， 根据步骤4中得到的待标注文档的定密结果， 纳入对应类别， 更新词语统计库中 相关词语的记录 。 2.如权利要求1所述的一种无监督的密点标注和辅助定密方法， 其特征在于： 步骤2所 述根据步骤1得到的预 料统计库计算词语置信度的算法为改进的S S3算法， 如下式(1)： gv(w， c)＝ lvσ(w， c)·sgλ(w， c)·snρ(w， c)          (1)； 上式中gv(w， c)为词语w专属于类别c的置信度； lvσ(w， c)是根据词 语在类别中的局部概率对词 语进行赋值， 通过定义类内分布系数和 改进局部概率， 考虑类内分布对词语分类区分度的影响， 以及文本间差异所带来的计算偏 差； sgλ(w， c)用于表示词语对 于类别的重要性； snρ(w， c)用于衡 量词语w对类别c重要的唯一 性； lvσ(w， c)、 sgλ(w， c)、 gv(w， c)分别如下式(2)、 (3)、 (4)： 其中， nc表示类别c中所有的文本 数量， nw， c表示类别c中包含词语w的文本 数量， dc， j类别 c中的第j篇文本， W是所有词语的集合， wi∈W， 和 分别表示类别c中含有 最多和最少文本数的词语的文本数量， 是词语w在文本dc， j中出现的频数， 是文本dc， j中含有最大词频 数的词语的词频 数量； 其中， LVw＝{lvσ(w， ci)|ci∈C}， 即词语w的所有局部值的集合； 表示LVw的中位数； 即LVw的绝对中位差； 为超参数； 其中， 即C中除c外， 所有类别的sgλ(w， ci)的总和； 为 超参数。 3.如权利要求1所述的一种无监督的密点标注和辅助定密方法， 其特征在于： 步骤3所 述多特征融合的密点句置信度评估算法如下式(5)： CScore(si)＝γl×classificati on(si)+γ2×position(si)+γ3×summary(si) (5)；权　利　要　求　书 1/3 页 2 CN 115481429 A 2其中， si表示文本d的第i个句子， 则d＝{s1， s2， ...， s|d|}， classification(si)表示句子 si的密点词特征得分， position(si)表示句子si的位置特征得分， summary(si)表示句子si的 总结词特 征得分， γ1、 γ2、 γ3为大于0的实数超参数， 且γ1+γ2+γ3＝1。 4.如权利要求1所述的一种无监督的密点标注和辅助定密方法， 其特征在于： 所述式 (5)中的clas sificati on(si)、 positi on(si)、 summary(si)分别如下式(6)、 (7)、 (8)： 其中， ni， j表示句子si在类别cj的词语总数， mi为句子si中词语的总数， |s|表示句子总 数， wi， k表示句子si的第k个词， gv(wi， k， cj)表示词语wi， k在类别cj的gv值， 的第j个分 量表示句子si在对应类别cj的GV值， 表示向量 的L1范数， 为向量 的最大分 量值， 同时记录GMAX对应的密级作为句子si的密级标签； 其中， i表示si是文本d的第i个句子， |d|表示文本d中句子的总数。 初始position(si)值 随着i值的增加而减少， 当i增长为句 子总数的一半时， position(si)值降至最低值， 随着i 值的持续增加， position(si)值回增， 保证了越靠近文本的首尾段， 句子的位置特征得分越 高； 其中， SList为总结词表， 对句子si的词语进行遍历， 当该句子有总结词表中的总结词 时， 该特征得分为1， 反 之则为0； 上述总结词包括： 所以、 因此、 总之、 总的来说、 综上 所述。 5.如权利要求1所述的一种无监督的密点标注和辅助定密方法， 其特征在于： 步骤4所 述对待定密文档进行密点标注的具体步骤为： 步骤4‑1， 读入需要 进行密点标注的文档； 步骤4‑2， 利用jieba分词工具将上述文档内容切分为单个的词语， 并且去除停用词， 分 为一系列词语集 合； 步骤4‑3： 将步骤4 ‑2生成的所有词语集合与密点词库进行比对， 在原文档中将所有 的 匹配词高亮标注， 并显示 其gv值作为置信度； 步骤4‑4： 根据步骤4 ‑3中标注出的匹配词语中的最高密级确定待标注文档的推荐密权　利　要　求　书 2/3 页 3 CN 115481429 A 3