研究背景
微地图是一种制作周期短、门槛低、传播速度快的个性化地图产品。由于其开放式标注特性，容易出现盲目或不当标注，增加了内容不合规的风险。亟需对微地图标注文本中的敏感信息进行自动识别，确保内容安全性。
安全挑战
用户标注缺乏系统性约束，存在敏感信息泄露风险
技术需求
传统人工审核效率低下，需要智能化解决方案
核心成果
0.9259
F1 Score性能指标
6.35%
比TextCNN提升幅度
98.95%
实证测试准确率
敏感信息分类体系
互联网非法信息
涉黄、涉赌、涉毒
涉暴、政治内容
非法广告信息
示例：毒品交易点
涉密信息
军事设施位置
国家安全机构
保密机构信息
示例：某某部队指挥部
涉稳信息
特殊人群信息
危险物品位置
重要设施信息
示例：粮油储备仓库
歧视信息
种族歧视内容
性别歧视表达
地域歧视言论
示例：某某族聚集地，多加小心
技术方法与架构
BERT模型优势
双向编码器
同时捕获上下文信息，增强语义理解能力
多头自注意力
关注词汇间依赖关系，捕获复杂语义联系
迁移学习
预训练模型微调，适应微地图文本特征
模型架构流程
1
数据获取
标准地图、百度图片、用户微地图
2
数据标注
基于法律法规的敏感性判别标准
3
模型训练
BERT微调与参数优化
4
敏感识别
自动化敏感信息判别
实验结果对比
性能指标对比
BERT (本文方法)
0.9259
F1 Score
DistilBERT
0.9155
F1 Score
DeBERTa
0.8691
F1 Score
TextCNN
0.8624
F1 Score
详细性能指标
| 模型 | Accuracy | Precision | Recall |
|---|---|---|---|
| BERT | 0.9581 | 0.9146 | 0.9374 |
| DistilBERT | 0.9533 | 0.9249 | 0.9064 |
| DeBERTa | 0.9270 | 0.8706 | 0.8677 |
| TextCNN | 0.9255 | 0.8903 | 0.8361 |