21. A Fine-grained Chinese Software Privacy Policy Dataset for Sequence Labeling and Regulation Compliant Identification

21.1 论文信息

  • 作者：Kaifa Zhao, Le Yu, Shiyao Zhou, Jing Li, Xiapu Luo, Yat Fei Aemon Chiu, Yutong Liu
  • 年份：2022年
  • 会议：EMNLP
  • 研究机构：The Hong Kong Polytechnic University
  • 主要内容：构建首个中文隐私政策数据集 CA4P-483，包含 483 个 Android 应用的隐私政策及细粒度注释，推动中文隐私政策自动分析工具发展。

21.2 问题分析

现有隐私政策数据集主要面向英文，缺乏对中文隐私政策的支持。

21.3 研究方案

1. 数据集构建

（1）数据收集

  • 使用 html2text 提取网页隐私政策；
  • 使用 tagtog 进行标注。

（2）数据标注

参考中国《个人信息保护法》相关标准，定义七类标签：

  • Data Controller：数据控制者；
  • Data Entity：数据实体；
  • Collection：数据收集；
  • Sharing：数据共享；
  • Condition：数据收集条件；
  • Purpose：数据使用目的；
  • Data Receiver：数据接收者。
图21.1 CA4P-483数据集统计信息

图21.1 CA4P-483数据集统计信息

图21.2 数据集示例

图21.2 数据集示例

2. 分类测试

评估了 HMM、BiLSTM、BiLSTM-CRF、BERT-BiLSTM-CRF、Lattice-LSTM 等模型在该数据集上的性能。

  • Receiver 准确率 > 90%；
  • Collect & Share 准确率约 60%，因与其他标签存在重叠；
  • Condition 易与 Purpose 混淆。
图21.3 动词列表

图21.3 动词列表

21.4 优缺点

优点

  1. 构建了首个中文隐私政策数据集，集成大量细粒度注释。

缺点

  1. 依赖数据收集和共享词汇定位相关句子，可能忽略枚举形式的条款。