典型文献
深度迁移学习辅助微博文本隐私风险辨识
文献摘要：
[目的/意义]构建基于迁移学习的微博文本隐私自动分类模型,对用户欲发布的可能包含隐私的文本进行合理的提示,避免用户无意间泄露隐私,这将在很大程度上降低用户隐私泄露的风险.[方法/过程]采集并标注微博文本隐私分类数据集,使用深度迁移学习实现新浪微博文本的自动化分类,并对比分类平衡前后的结果.[结果/结论]在类别和数据不均衡的状态下,模型出现过拟合.数据再平衡后,模型的各项指标明显提升.通过与基线模型的对比,模型对于隐私类别的召回率接近83.7％,比基线模型高近34％,验证了模型的实用性.
文献关键词：
隐私保护;文本分类;机器学习;BERT;深度迁移学习
中图分类号：
作者姓名：
逯前前;孙春鹭
作者机构：
天津师范大学管理学院 天津 300387
文献出处：
引用格式：
[1]逯前前;孙春鹭-.深度迁移学习辅助微博文本隐私风险辨识)[J].情报探索,2022(11):35-42
A类：
B类：
深度迁移学习,微博文本,隐私风险,风险辨识,私自,自动分类,分类模型,免用,无意间,用户隐私,隐私泄露,私分,分类数据,使用深度,新浪微博,类平衡,数据不均衡,过拟合,再平衡,标明,基线模型,召回率,比基,隐私保护,文本分类,BERT
AB值：
0.384127
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
