[发明专利]基于关联规则挖掘的涉及个人信息公示网页判定方法、电子设备及存储介质

权利要求书

1.基于关联规则挖掘的涉及个人信息公示网页判定方法，其特征在于，包括以下步骤：

步骤S1，爬取公示公告网页，形成网页集合W，通过人工标注，形成个人信息网页集合WP，非个人信息网页集合WN；

步骤S2，对个人信息网页集合WP中的每一个网页Webpage进行中文分词，并标注词性，形成个人信息公示网页分词集合WPP；

步骤S3，对个人信息公示网页分词集合WPP进行过滤，形成个人信息公示网页分词过滤集合WPPS；

步骤S4，对个人信息公示网页分词过滤集合WPPS进行关联规则挖掘计算，得到频繁项集集合FI；

步骤S5，验证频繁项集集合FI判定公示公告网页涉及个人信息的误报率、漏报率指标是否满足要求；

步骤S6，根据验证结果调整步骤S3的词性黑名单、词语黑名单和步骤S4的支持度support，并重新执行步骤S3至步骤S6，直到频繁项集集合FI判定公示公告网页涉及个人信息的误报率、漏报率满足要求；

步骤S7，应用频繁项集集合FI对新公示公告网页进行是否涉及个人信息判定。

2.根据权利要求1所述的基于关联规则挖掘的涉及个人信息公示网页判定方法，其特征在于，所述步骤S1，爬取公示公告网页，形成网页集合W，通过人工标注，形成个人信息网页集合WP，非个人信息网页集合WN，具体过程如下：

步骤S11，爬取网站上的所有公示公告网页，解析网页的TITLE、网页内容、附件名称和附件内容，将公示公告内容包含对个人信息有帮助的网页元素形成网页集合W；

W＝{Webpage₁,Webpage₂,Webpage₃...} (1)

式(1)中，Webpage是某一网页的TITLE、网页内容、附件名称和附件内容网页元素的连接字符串；

步骤S12，对所爬取的公示公告网页进行人工分析，标注出包含姓名、手机号码、身份证号码、家庭住址、工作单位个人信息的网页，形成个人信息网页集合WP，非个人信息网页集合WN；

WP＝{w|w∈W,w包含个人信息} (2)

WN＝{w|w∈W,w不包含个人信息} (3)

W＝WP∪WN (4)。

3.根据权利要求2所述的基于关联规则挖掘的涉及个人信息公示网页判定方法，其特征在于，所述步骤S2，对个人信息网页集合WP中的每一个网页Webpage进行中文分词，并标注词性，形成个人信息公示网页分词集合WPP，具体过程如下：

WPP＝{WebpageP₁,WebpageP₂,WebpageP₃...} (5)

式(5)中，WebpageP是WP中某一网页Webpage的中文分词集合。

4.根据权利要求3所述的基于关联规则挖掘的涉及个人信息公示网页判定方法，其特征在于，所述步骤S3，对个人信息公示网页分词集合WPP进行过滤，形成个人信息公示网页分词过滤集合WPPS，具体过程如下：

步骤S31，按词性黑名单过滤，过滤的词性包括但不限于标点符号、拟声词、时间词、助词、数词、字符串、量词、区别词、名词-地名、名词-人名、名词-惯用语；

步骤S32，按词语黑名单过滤，形成个人信息公示网页分词过滤集合WPPS；

WPPS＝{WebpagePS₁,WebpagePS₂,WebpagePS₃...} (6)

式(6)中，WebpagePS是WPP中某一网页过滤后的中文分词集合。