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

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。

Dec, 2022

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

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

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

Calpric 使用自动文本选择和分割、主动学习和众包注释器相结合的方法，以低成本生成大规模、均衡的隐私政策训练集，使得不具备专业训练的注释者能够与法律学生等经过训练的注释者相竞争，降低注释成本，并通过少量训练样本高效覆盖输入空间，进一步降低成本并提高数据集的类别平衡和数据类别详细度。众包过程使得 Calpric 以大约 0.92-1.71 美元每个标注文本段的成本获得可信赖的标注数据集，其中包含了 16K 个隐私政策文本段，涵盖了 9 个数据类别，并具有平衡的正负样本。

Jan, 2024

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

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

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

我们通过使用最先进的自然语言处理技术分析了谷歌应用商店上一亿两千万个涉及隐私的评论，涵盖了 10 年的时间。我们发现了隐私相关评论的持续增长趋势，并探讨了热门话题（比如数据删除和数据窃取）以及下降趋势的话题（比如涉及敏感权限的隐私评论）。同时发现用户对隐私话题的评论来自于 200 多个国家，其中有 33 个国家贡献了 90% 的隐私评论。我们还进行了国家间话题分布的对比研究，发现地理接近不一定代表相似的隐私观点。我们揭示了一些具有特殊模式的国家，并在文中进行了探讨。令人惊讶的是，涉及隐私的评论中有 32% 是积极的；许多用户对应用程序中的隐私功能或专注于隐私的应用表示满意。我们还揭示了一些意外的行为，比如使用评论给开发者传递隐私免责声明。最后，我们通过这种方法展示了分析应用评论的价值，作为补充现有方法来了解用户对隐私的看法。

Mar, 2024