Сравнительный анализ методов машинного обучения для распознавания персональной информации в неструктурированных текстах

Аннотация

С быстрым ростом неструктурированных данных и повышенным вниманием к конфиденциальности персонально идентифицируемой информации задачи автоматического распознавания и защиты данных становятся все более актуальными. В данной работе представлен сравнительный анализ методов машинного обучения для распознавания персональной информации в неструктурированных текстах. В исследовании рассматриваются методы, основанные на правилах, алгоритмы классификации (SVM, случайные леса) и модели глубокого обучения (нейронные сети, трансформаторы). Эффективность моделей оценивается с использованием таких метрик, как точность, полнота и F1-меры. Результаты экспериментов показывают, что модели глубокого обучения, такие как BERT, демонстрируют высокую точность и полноту, превосходя традиционные методы. Однако они требуют значительных вычислительных ресурсов и большого объема обучающих данных. В статье рассматриваются преимущества и недостатки каждого подхода, а также предлагаются рекомендации по выбору модели в зависимости от специфики задачи и доступных ресурсов. Помимо технических достижений, исследование подчеркивает создание ценности, обеспечиваемое эффективным распознаванием персональной информации, включая улучшенную безопасность данных, автоматизированное соответствие и операционную эффективность.