CHƯƠNG I. Giới thiệu Hiện nay các mạng xã hội trực tuyến đang ngày càng phát triển nhanh chóng. Cùng với các mạng xã hội phổ biến trên thế giới như Facebook, Twitter…, các mạng xã hội ở Việt Nam như ZingMe, Zalo… đang ngày càng thu hút nhiều người dùng đi cùng với những lợi ích như: truy cập và chia sẻ dữ liệu nhanh chóng, khả năng tương tác linh hoạt giữa các người dùng, phân tích và ra quyết định dựa theo nguồn dữ liệu dồi dào. Tuy nhiên việc phát triển nhanh chóng này cùng với việc chia sẻ dữ liệu công khai trên mạng xã hội, các cải tiến trong việc phát triển các kỹ thuật khai thác dữ liệu đã dẫn đến những rủi ro trong vấn đề bảo mật thông tin nhạy cảm cá nhân.
Do đó, việc phát hiện và che dấu thông tin nhạy cảm trong các bài viết trên mạng xã hội là vấn đề quan trọng trong việc bảo mật thông tin hiện nay [2]. Nguồn: Internet Hình 1: Các mạng xã hội phổ biến Việc định nghĩa thông tin nhạy cảm có thể khác nhau đối với mỗi người. Tuy nhiên, nhìn chung thông tin nhạy cảm thường là những thông tin cá nhân người dùng như tên, số điện thoại, địa chỉ, định danh cá nhân, mức lương… hoặc những thông tin mà người dùng không muốn tiết lộ cho người khác [4]. TRẦN THỊ MI 1 LUẬN VĂN CAO HỌC Ví dụ khi người dùng đăng một trạng thái trên Facebook thì có thể để lộ thông tin về trường họ đang học: Studying at UEC, I am becoming more and more robotic.
Việc để lộ quá nhiều thông tin riêng tư có thể gây ra nhiều rủi ro cho người dùng như có thể bị giả danh, bị nhận thư rác, bị bắt cóc tống tiền… Chính vì vậy, việc bảo mật thông tin cá nhân là yêu cầu cần thiết đối với các mạng xã hội hiện nay. Có hai cách để che dấu thông tin: một là bỏ những cụm từ nhạy cảm này đi, hai là thay thế bằng một cụm từ khác có nghĩa tổng quát hơn [4]. Từ câu ví dụ trên, có thể che dấu như sau: Studying at my university, I am becoming more and more robotic. Bài toán này tập trung vào việc phát hiện thông tin nhạy cảm trong các bài viết trên mạng xã hội mà cụ thể là các bài viết trên trang cá nhân của người dùng mạng xã hội.
Do đó, chúng ta giả định rằng dữ liệu đầu vào (các bài viết trên trang cá nhân) đã trải qua quá trình tiền xử lý dữ liệu, nhiệm vụ chính là phát hiện các thông tin nhạy cảm trong các bài viết này và cải thiện độ chính xác của việc phát hiện thông tin nhạy cảm. Mục tiêu, giới hạn và đối tượng nghiên cứu I. Mục tiêu Hiện nay các mạng xã hội trực tuyến đang ngày càng phát triển nhanh chóng. Tuy nhiên việc phát triển nhanh chóng này cùng với việc chia sẻ dữ liệu công khai trên mạng xã hội, các cải tiến trong việc phát triển các kỹ thuật khai thác dữ liệu đã dẫn đến những rủi ro trong vấn đề bảo mật thông tin nhạy cảm cá nhân.
Vì vậy việc bảo mật thông tin cá nhân là yêu cầu cần thiết đối với các mạng xã hội hiện nay. Mục tiêu của đề tài này là thiết lập một hệ thống tự động phát hiện cụm từ nhạy cảm trong các bài viết trên mạng xã hội nhằm mục đích bảo vệ sự riêng tư cho người dùng. TRẦN THỊ MI 2 LUẬN VĂN CAO HỌC I. Giới hạn Đề tài chỉ tập trung nghiên cứu trên các bài viết dạng văn bản bằng tiếng Anh trên mạng xã hội.
Hệ thống chỉ dừng lại ở bước phát hiện mà không nghiên cứu bước thay thế những cụm từ nhạy cảm bằng cụm từ tổng quát hơn. Đối tượng nghiên cứu Dựa vào mục tiêu và giới hạn của nghiên cứu, chúng ta hướng tới các đối tượng nghiên cứu chính bao gồm: - Đặc trưng cấu trúc văn bản bằng tiếng Anh. - Phương pháp bảo vệ tính riêng tư. TRẦN THỊ MI 3 LUẬN VĂN CAO HỌC CHƯƠNG II.
CÁC CÔNG TRÌNH LIÊN QUAN II. Công cụ hỗ trợ xử lý ngôn ngữ tự nhiên II. Stanford Natural Language Processing Toolkit Được phát triển bởi nhóm giảng viên, lập trình viên, sinh viên trường đại học Stanford nhằm tạo ra công cụ máy tính có thể xử lý và hiểu được ngôn ngữ của con người. Phạm vi công việc của nhóm là những nghiên cứu cơ bản về ngôn ngữ học tính toán, là chìa khóa cho các ứng dụng trong công nghệ ngôn ngữ con người.
Nó bao gồm rất nhiều mảng như: sự hiểu biết về câu, trả lời các câu hỏi tự động, dịch máy, phân tích cú pháp và gán nhãn, phân tích ý kiến, mô hình văn bản và ngữ cảnh cùng với các ứng dụng sử lý ngôn ngữ tự nhiên đối với khoa học xã hội và nhân văn. Một đặc điểm nổi bật của Stanford NLP là sự kết hợp hiệu quả về mô hình ngôn ngữ học và phân tích dữ liệu, học máy một cách sâu sắc cùng với các phương pháp tiếp cận sâu sắc đối với tiến trình xử lý ngôn ngữ tự nhiên. Được ứng dụng rộng rãi trong tiến trình xử lý ngôn ngữ tự nhiên của một số ngôn ngữ. Stanford CoreNLP cung cấp một tập các công cụ phân tích ngôn ngữ con người.
Nó có thể cung cấp dạng của từ, loại của từ, ví dụ như chúng có phải là tên công ty, tên người, ngày, giờ hay số, đánh dấu cấu trúc của câu theo cụm từ và phụ thuộc ngữ pháp, chỉ ra cụm danh từ nào chỉ tới cùng một thực thể… - Một công cụ NLP với phạm vi lớn về phân tích ngữ pháp - Nhanh, đáng tin cậy về phân tích văn bản - Độ chính xác cao - Hỗ trợ nhiều ngôn ngữ phổ biến - Có thể tích hợp với nhiều ngôn ngữ lập trình phổ biến - Có khả năng chạy như một dịch vụ web đơn giản Stanford CoreNLP được thiết kế đơn giản để có thể chạy nhiều tác vụ liên tục chỉ với vài dòng lệnh. Chúng ta có thể dễ dàng tắt hoặc mở các tác vụ cần thiết tương ứng. TRẦN THỊ MI 4 LUẬN VĂN CAO HỌC Nguồn: stanfordnlp.io Hình 2: Ví dụ về đánh dấu loại từ Các chức năng cụ thể của Standford NLP TÊN MÔ TẢ tokenize Cắt một câu thành các từ, sử dụng các luật và phương pháp thích hợp với ngôn ngữ đang xét. Đầu ra là vị trí bắt đầu và vị trí kết thúc của các từ trong câu đầu vào.
cleanxml Xóa những thành phần xml khỏi văn bản. ssplit Cắt một chuỗi các thành phần nhỏ thành các câu. pos Gán nhãn loại cho các từ. lemma Tạo ra từ gốc cho các từ.
ner Nhận dạng tên thực thể (PERSON, LOCATION, ORGANIZATION, MISC), số (MONEY, NUMBER, ORDINAL, PERCENT), và thời gian (DATE, TIME, DURATION, SET). regexner HIện thực một phương pháp gán nhãn từ dựa vào biểu thức chính quy. sentiment Hiện thực mô hình phân tích cảm xúc trong câu. truecase Nhận dạng các kí tự viết hoa cần thiết khi thông tin này đã mất, ví dụ trong một câu mà tất cả các từ đều viết hoa.
parse Phân tích cấu trúc câu và các phụ thuộc trong câu. TRẦN THỊ MI 5 LUẬN VĂN CAO HỌC TÊN MÔ TẢ depparse Hiện thực phương pháp phân tích cấu trúc phụ thuộc nhanh. dcoref Phân tích độ phân giải liên kết. relation Phân tích mối quan hệ giữa hai thực thể.
natlog Đánh dấu phạm vi định lượng và phân cực của các thành phần. quote Xác định dấu ngoặc kép trong câu. Bảng 1: Các chức năng của Stanford NLP II. WordNet WordNet là một cơ sở dữ liệu lớn về từ vựng tiếng Anh.
Danh từ, động từ, tính từ, và trạng từ được nhóm thành các tập riêng. Các tập này được liên kết bởi ngữ nghĩa và các mối quan hệ từ vựng. Một mạng lưới kết quả của các từ liên quan và nguyên lý có thể được truy xuất. WordNet rất hữu dụng trong các quá trình sử lý ngôn ngữ tự nhiên.
WordNet cũng tạo ra mạng lưới các từ đồng nghĩa, trong đó nó nhóm các từ với nhau dựa trên nghĩa. WordNet chứa bốn tập con bao gồm danh từ, động từ, tính từ và trạng từ. Ngoài ra, nó cũng chứa mối quan hệ giữa các dạng các nhau của cùng một từ trong bốn tập con này. Loại Số lượng Danh từ 117798 Động từ 11529 Tính từ 21479 Trạng từ 4481 Tổng cộng 155287 Bảng 2: Các loại từ trong WordNet TRẦN THỊ MI 6 LUẬN VĂN CAO HỌC Ngoài ra WordNet cũng chia các từ này thành 45 tập con dựa vào nghĩa của chúng.
Số Tên Nội dung 0 adj.all all adjective clusters 1 adj.pert relational adjectives (pertainyms) 2 adv.all all adverbs 3 noun.Tops unique beginner for nouns 4 noun.act nouns denoting acts or actions 5 noun.animal nouns denoting animals 6 noun.artifact nouns denoting man-made objects 7 noun.attribute nouns denoting attributes of people and objects 8 noun.body nouns denoting body parts 9 noun.cognition nouns denoting cognitive processes and contents nouns denoting communicative processes and 10 noun.communication contents 11 noun.event nouns denoting natural events 12 noun.feeling nouns denoting feelings and emotions 13 noun.food nouns denoting foods and drinks 14 noun.group nouns denoting groupings of people or objects 15 noun.location nouns denoting spatial position 16 noun.motive nouns denoting goals 17 noun.object nouns denoting natural objects (not man-made) 18 noun.person nouns denoting people 19 noun.phenomenon nouns denoting natural phenomena 20 noun.plant nouns denoting plants nouns denoting possession and transfer of 21 noun.possession possession 22 noun.process nouns denoting natural processes 23 noun.quantity nouns denoting quantities and units of measure nouns denoting relations between people or 24 noun.relation things or ideas nouns denoting two and three dimensional 25 noun.shape shapes 26 noun.state nouns denoting stable states of affairs 27 noun.substance nouns denoting substances TRẦN THỊ MI 7 LUẬN VĂN CAO HỌC 28 noun.time nouns denoting time and temporal relations 29 verb.body verbs of grooming, dressing and bodily care verbs of size, temperature change, intensifying, 30 verb.cognition verbs of thinking, judging, analyzing, doubting 32 verb.communication verbs of telling, asking, ordering, singing 33 verb.competition verbs of fighting, athletic activities 34 verb.consumption verbs of eating and drinking 35 verb.contact verbs of touching, hitting, tying, digging 36 verb.creation verbs of sewing, baking, painting, performing 37 verb.emotion verbs of feeling 38 verb.motion verbs of walking, flying, swimming 39 verb.perception verbs of seeing, hearing, feeling 40 verb.possession verbs of buying, selling, owning 41 verb.social verbs of political and social activities and events 42 verb.stative verbs of being, having, spatial relations 43 verb.weather verbs of raining, snowing, thawing, thundering 44 adj.ppl participial adjectives Bảng 3: Các nghĩa của từ trong WordNet II. Google Custom Search API API này cho phép phát triển các website và ứng dụng để truy xuất và hiển thị kết quả tìm kiếm từ Google. Nó hỗ trợ dịch vụ REST để nhận dữ liệu dưới dạng JSON. Mỗi người dùng có 100 truy vấn miễn phí mỗi ngày.
Để sử dụng thêm, với mỗi 1000 truy vấn sẽ có giá $5 và tối đa 10000 truy vấn mỗi ngày. Cấu trúc của yêu cầu HTTP: GET https://www.com/customsearch/v1?