有海量文本数据，如何提取敏感类的数据？

[dtgxx]

打算通过机器学习算法解决该问题，敏感的标准是，偏近个人隐私，算敏感类数据。
这个通过什么算法实现比较好？

[murmur]

这跟自动阉割算法有什么区别

老实人工识别，除非是格式化数据

否则就跟抖音字幕一样，（举例非骂人）整出我 c 你 m ，你 m 被我 s 了这种

[dtgxx]

@murmur #1 主要是数据太多了。。。人工做了很多规则，弄了三十多万的规则库，做不完了哈哈。未知的越来越多。

[kekxv]

其实很简单啊，只要中文夹杂字母且不是单词，就可以定为 污言秽语
同样的个人隐私简单点 1 开头的 11 位数字以及 18 位数字
🐶

[Chad0000]

行外人，感觉这是不是要上 AI 啦，规则你有了，然后不断加入训练库中

[dtgxx]

@Chad0000 #4 我也是这么想的，先做做看了，不知道能不能成功，没啥 ai 基础