Polisis：基于深度学习的隐私政策自动分析与呈现
计算与语言
2018-07-02 v2 密码学与安全
人机交互
摘要
隐私政策是公司告知用户其数据收集和共享行为的主要渠道。这些政策通常冗长且难以理解。基于从隐私政策中提取信息的简短通知已被证明是有用的，但鉴于政策的数量及其随时间的演变，面临着显著的可扩展性障碍。公司、用户、研究人员和监管者仍缺乏可用且可扩展的工具来应对隐私政策的广度和深度。为应对这些障碍，我们提出了一种隐私政策分析自动化框架（Polisis）。它支持对自然语言隐私政策进行可扩展、动态和多维查询。Polisis 的核心是一个以隐私为中心的语言模型，由 130K 隐私政策构建而成，以及一种新颖的神经网络分类器层次结构，兼顾隐私实践的高层方面和细粒度细节。我们通过两个支持结构化和自由形式查询的应用展示了 Polisis 的模块化和实用性。结构化查询应用是从隐私政策自动分配隐私图标。借助 Polisis，我们可以在此任务上达到 88.4% 的准确率。第二个应用 PriBot 是首个针对隐私政策的自由形式问答系统。我们展示 PriBot 能为 82% 的测试问题在 top-3 结果中给出正确答案。通过使用包含 700 名参与者的 MTurk 用户研究，我们展示 PriBot 的 top-3 答案中至少有一个对 89% 的测试问题与用户相关。
引用
@article{arxiv.1802.02561,
title = {Polisis: Automated Analysis and Presentation of Privacy Policies Using Deep Learning},
author = {Hamza Harkous and Kassem Fawaz and Rémi Lebret and Florian Schaub and Kang G. Shin and Karl Aberer},
journal= {arXiv preprint arXiv:1802.02561},
year = {2018}
}
备注
Published at USENIX Security 2018; associated website: https://pribot.org