arXiv:2610.35925v1 发布类型：新
摘要：为个人身份信息（PII）训练上下文掩码系统时，需要提供区分某一实体类型中可掩码与不可掩码提及的示例，但隐私限制使得真实数据难以获取。基于作者的增强方法（SPY）将与作者无关的提及标记为非PII，这一做法隐含了单一数据主体的假设，而忽视了其他可能的数据主体。我们提出ReCoPII（关系驱动的上下文PII掩码），该框架无需这一前提即可构建此类数据：它规划受本体约束的实体关系，编写带有占位符的插入句，通过代码重建标注，利用独立的大型语言模型对结果进行验证，并依据实体关系推导MASK/KEEP标签。在来自六个领域的韩语文档上，我们构建了包含关系、隐私以及MASK/KEEP标注的ReCoPII-Ko语料库，并对其进行了验证。在300对样本中，四位标注者对其抽样选取的KEEP标签的一致率达到88.42%，而采用SPY式增强方法处理同一来源时，这一比例仅为26.27%。基于该语料库训练的分类器，在匹配测试中表现出比参照方法更少的过度掩码现象。经与PII检测器联合微调后的上下文掩码技术，可在固定泄露预算内有效减少单纯依赖检测器时出现的过度掩码问题；在人工验证的实体记录上，四种检测器配合使用时，其过度掩码率最高不超过5.04%，同时泄漏率最高不超过4.18%。该检测器在KDPII任务上的性能与XLM-R-large相当，而参数量仅为后者的约四分之一。