面向具有隐私保证的敏感文档发布

对于现代信息社会而言，隐私已成为一个严重的关切。每日交换或发布给不可信方的诸多数据具有敏感性质，这要求负责任的组织采取适当的隐私保护措施。如今，这些数据大部分是文本（例如电子邮件、社交媒体上发布的消息、医疗保健结果等），由于其非结构化和语义特性，对自动数据保护方法构成了挑战。事实上，文本文档通常在被称为文档编辑或脱敏 的过程中受到人工保护。为此，人类专家识别敏感术语（即可能揭示身份和/或机密信息的术语）并相应地对其进行保护（例如通过移除，或更优选地，通过泛化）。为了将专家从这一繁重的任务中解脱出来，在先前的工作中我们引入了 C-sanitization 的理论基础，这是一种内在的语义隐私模型，为开发自动文档编辑/脱敏算法提供了基础，并对数据保护提供了清晰且先验的隐私保证；尽管 C-sanitization 具有潜在益处，但在应用于实践时仍存在一些局限性（主要在灵活性、效率和准确性方面）。在本文中，我们提出了一种更灵活的新模型，命名为 (C, g(C))-sanitization，该模型能够直观地配置期望的保护水平（即受控的信息披露）与受保护数据的效用保持（即保留的语义数量）之间的权衡。此外，我们还提出了一组技术解决方案和算法，提供了该模型高效且可扩展的实现并提高了其实际准确性，我们也通过实证实验对此进行了说明。