EMNLPDec, 2022

一个用于序列标注和合规识别的细粒度中国软件隐私政策数据集

PDF
TL;DR本文介绍了使用自然语言处理技术分析隐私政策以帮助用户理解及满足法规要求的必要性，并构建了首个中文隐私政策数据集 CA4P-483，用于帮助隐私政策和软件间的序列标记任务和法规合规识别。
privacy protectionnlp techniquesprivacy policy datasetchinese android applicationsregulation compliance identification
发现论文，激发创造
  • 沙特隐私政策数据集

    本研究收集并创建了一份包括来自沙特阿拉伯不同行业的个人数据保护政策的汇编，这些政策经过了根据《个人数据保护法》的 10 项原则进行的注释。最终数据集可以用于评估隐私政策合规性、制定自动化工具以监测数据保护法规遵从性的数据分析。

    Apr, 2023

  • 隐私政策问答：结合计算和法律视角

    本文介绍了 PrivacyQA 数据集，以及采用神经网络进行隐私政策问题回答的方法和挑战。PrivacyQA 数据集包括 1750 个问题和 3500 个相关答案的专业注释，研究表明，当前的神经网络方法在回答隐私政策问题上存在诸多问题，该数据集为未来的问题回答系统提供了巨大的改进空间。

    Nov, 2019

  • PolicyGPT: 使用大型语言模型自动分析隐私政策

    通过利用大型语言模型（LLM）开展文本分析，本研究构建了 PolicyGPT 隐私政策文本分析框架，并在两个数据集上进行了测试，结果表明在零样本学习条件下，PolicyGPT 取得了强大的性能，并优于传统机器学习和神经网络模型。

    Sep, 2023

  • 应用自然语言理解进行合规性检查：隐私政策与法规比较分析

    本研究利用自然语言推断（NLI）技术，采用预训练的嵌入和 BiLSTM 注意力机制，比较大公司的隐私政策与隐私法规，测试发现，在实际 NLI 任务中，基于 MNLI 数据集训练的模型更好。

    Mar, 2022

  • PolicyQA：一份隐私政策阅读理解数据集

    提出 PolicyQA，用于针对现有隐私政策发布的 25,017 个阅读理解问题的数据集，包括 714 个针对隐私实践的人工标注问题，并评估了两种现有的神经问答模型并进行了严格的分析。

    Oct, 2020

  • 大型语言模型：大规模隐私政策分析的新方法

    利用大型语言模型（LLM）以替代传统的自然语言处理技术，在较大规模上从隐私政策中高效准确地提取隐私做法，并实现出色的性能评估和降低成本。

    May, 2024

  • 使用真实语料库进行数据实践的自动检测和分析

    我们提出了一种自动化的方法来识别和可视化不同细节级别的隐私政策中的数据实践，通过利用 ToS;DR 平台的众包注释，我们尝试使用各种方法将政策摘录与预定义的数据实践描述相匹配，进一步进行了一个案例研究来评估我们的方法在真实政策上的有效性，实验表明我们的方法准确匹配了数据实践描述和政策摘录，为用户呈现了简化的隐私信息。

    Feb, 2024

  • Polisis: 使用深度学习自动分析和呈现隐私政策

    我们提出了一个基于 Polisis 的自动化框架，能够在隐私政策的众多细节方面进行可扩展的、动态的、多维查询。最初的 Polisis 具有一个隐私中心语言模型和神经网络分类器的新等级结构，支持由结构化和自由形式查询支持的两个应用程序：自动分配隐私图标和 PriBot 隐私答案查询。

    Feb, 2018

  • 隐私政策的意图分类和槽填充

    本文提出 PolicyIE 数据集，对比两种基准神经方法处理语义意图分类和信息填充。结果表明序列到序列（Seq2Seq）模型在信息填充任务上优于序列标注方法。

    Jan, 2021

  • NL2GDPR: 从自然语言中自动生成符合 GDPR 规定的 Android 应用功能

    NL2GDPR 是一种自动生成符合 GDPR 标准隐私政策的自然语言工具，它利用了百度认知计算实验室开发的信息提取工具 OIA，以保证隐私数据的准确识别，并且可在不需要编写复杂代码的情况下完成自动生成 GDPR 隐私政策的任务。

    Aug, 2022