当图卷积遇上双重注意力：基于多标签文本分类的在线隐私泄露检测
密码学与安全
2025-03-28 v2
摘要
随着在线社交媒体等 Web 2.0 平台的兴起，人们的私人信息（如位置、职业甚至家庭信息）经常通过在线讨论被无意中泄露。因此，检测此类非意愿的隐私泄露以警示相关用户和在线平台十分重要。本文将隐私泄露检测建模为多标签文本分类（MLTC）问题，并提出一种新的隐私泄露检测模型来构建用于检测在线隐私泄露的 MLTC 分类器。该分类器以在线帖子为输入，输出多个标签，每个标签反映一种可能的隐私泄露。所提出的表征方法结合了三种不同来源的信息：输入文本本身、标签-文本相关性和标签-标签相关性。双重注意力机制用于结合前两种信息源，图卷积网络（GCN）用于提取第三种信息源，并随后用于帮助融合从前两种信息源提取的特征。我们在 Twitter 上隐私泄露帖子的公开数据集上获得的广泛实验结果表明，我们所提出的隐私泄露检测方法在所有关键性能指标上均显著且稳定地优于其他最先进的方法。
引用
@article{arxiv.2311.15917,
title = {When Graph Convolution Meets Double Attention: Online Privacy Disclosure Detection with Multi-Label Text Classification},
author = {Zhanbo Liang and Jie Guo and Weidong Qiu and Zheng Huang and Shujun Li},
journal= {arXiv preprint arXiv:2311.15917},
year = {2025}
}
备注
The manuscript is accepted by Data Mining and Knowledge Discovery(ECML PKDD Journal track)