一、背景

傳統(tǒng)信貸評審流程中，審貸人員通常依據(jù)貸前盡調(diào)報告及自身經(jīng)驗撰寫評審報告，報告涵蓋擬授信企業(yè)的行業(yè)分析、財務(wù)情況評估及市場前景預(yù)估等內(nèi)容，對審貸人員的行業(yè)知識儲備、風(fēng)險評估能力和趨勢判斷能力有較高的要求，且近年來新能源汽車、芯片等新興行業(yè)的市場情況瞬息萬變，無疑使信貸評審工作增添了更多的挑戰(zhàn)。因此，審貸人員亟需獲取行內(nèi)資深審貸專家報告來汲取相關(guān)評審經(jīng)驗，輔助審批決策；但由于法律法規(guī)、監(jiān)管規(guī)定對跨分行文檔閱讀權(quán)限等安全性方面的制約，基層審貸人員往往難以獲取到該類評審報告。

在此背景下，工行軟開中心對歷史大量評審報告影像資料和業(yè)界數(shù)據(jù)安全技術(shù)進行了調(diào)研研究，創(chuàng)新性地提出了文檔智能脫敏方案。在符合法律法規(guī)和監(jiān)管規(guī)定的前提下，通過敏感信息塊檢測、敏感要素檢測、敏感圖像檢測等技術(shù)手段進行敏感信息識別和涂抹，對信貸評審報告實現(xiàn)了敏感信息99%的自動脫敏，在保證文檔安全性的同時，實現(xiàn)文檔的快速共享。

二、文檔智能脫敏方案

文檔智能脫敏方案主要是借助人工智能技術(shù)對文檔進行深度結(jié)構(gòu)化分析，再通過自然語言處理識別文檔中的敏感信息塊和各類敏感要素，通過圖像處理識別敏感圖像，使得文檔中的文字信息和圖像內(nèi)容安全地脫敏。該方案主要涉及三個核心能力：

1.敏感信息塊檢測

文檔中有些敏感信息通常以孤立的形式存在，缺乏必要的上下文信息，例如，審貸人員的姓名及其所屬機構(gòu)等數(shù)據(jù)，多以嵌入隱藏表格的方式保存，傳統(tǒng)的要素抽取技術(shù)和實體識別模型無法滿足識別該類孤立敏感數(shù)據(jù)識別的需求。為了有效識別孤立敏感數(shù)據(jù)，工行軟開中心設(shè)計并建設(shè)了敏感信息塊檢測能力，通過文檔分割并將內(nèi)容向量化，與自建的敏感短語向量數(shù)據(jù)庫進行比對，高效識別敏感信息塊。

圖1 敏感信息塊效果（紅框所示）

敏感信息塊檢測的主要流程如下：首先，從歷史影像資料中收集可能的敏感短語，并利用基于StructBert訓(xùn)練的分類模型進行處理；其次，將敏感短語向量化，作為分類模型的隱層特征（768維）；再次，將向量化的敏感短語信息存儲到向量數(shù)據(jù)庫中。當(dāng)需要脫敏的文檔上傳后，將文檔內(nèi)容分割成多個小部分（chunk）并批量向量化，再計算chunk中的向量與向量數(shù)據(jù)庫中已存儲的敏感短語向量之間的余弦距離，若余弦距離超過預(yù)設(shè)閾值，則該部分內(nèi)容被判定為敏感信息。

圖2 敏感塊檢測

2.敏感要素檢測

文檔中的敏感信息種類繁多，包括但不限于企業(yè)名稱、企業(yè)法人姓名、股東名稱、股權(quán)代碼、社會統(tǒng)一代碼等十余種關(guān)鍵要素，這些敏感要素?zé)o固定格式，識別該類要素具有一定的挑戰(zhàn)。因此，工行軟開中心建設(shè)了敏感要素檢測能力，采用多種模型集成的方法，來精確識別文檔中各類敏感元素。

對于企業(yè)法人名稱、企業(yè)名稱、股東法人名稱、股東名稱等敏感要素，工行軟開中心采取在BERT模型基礎(chǔ)上進行微調(diào)的方法來提升檢出率。具體來說，首先，對文檔語料進行打標(biāo)，實體的開頭字符用“B-”表示，實體的非開頭部分用“I-”標(biāo)記，非實體部分則用“0”表示；其次，在原有的BERT模型基礎(chǔ)上，添加條件隨機場（CRF）層，形成微調(diào)后的新模型，對打標(biāo)語料識別'B-I'部分，抽取出不同類型的實體元素，從而提升敏感要素的識別精度。

圖3 敏感元素檢測

對于身份證號碼、股票代碼等敏感要素，工行軟開中心設(shè)計了一系列精確的正則表達式來提高檢出率。首先利用Libreoffice框架將doc、wps、docm等各種格式的文檔，統(tǒng)一轉(zhuǎn)換為docx格式進行處理；其次，基于docx的XML結(jié)構(gòu)，將文檔進行深度結(jié)構(gòu)化拆分，對于拆分出來的每個小部分（chunk），使用正則匹配技術(shù)查找符合特定規(guī)則的模式；最后，輸出已識別的身份證號碼、股票代碼等具有規(guī)則化結(jié)構(gòu)的實體信息。

圖4 規(guī)則數(shù)據(jù)解析

對于企業(yè)注冊地址等敏感要素，工行軟開中心對標(biāo)業(yè)界先進經(jīng)驗選擇LBERT+CRF模型結(jié)合知識圖譜的方法來精準(zhǔn)識別企業(yè)的省、市、區(qū)、街道等詳細(xì)地址信息。在傳統(tǒng)的BERT模型基礎(chǔ)上引入Lexicon Adapter模塊（即LBERT模型），該模塊能夠關(guān)聯(lián)字符和詞匯特征，這樣，LBERT模型在預(yù)測實體時，不僅能考慮字符級別的特征，也能考慮詞匯級別的特征，從而提高了地址信息的識別準(zhǔn)確度。此外，由于地址信息可能存在因手工輸入錯誤、歷史地名變遷等導(dǎo)致的錯誤或缺失，利用地址知識圖譜對LBERT模型輸出的地址信息進行校正和補充，地址知識圖譜按照省、市、區(qū)、街道的層級構(gòu)建，并納入了舊名、別名等信息。

圖5 LBERT模型結(jié)構(gòu)

圖6 地址知識圖譜結(jié)構(gòu)

3.敏感圖像檢測

敏感圖像檢測由兩個關(guān)鍵能力組成，語義理解和圖像理解。首先，利用結(jié)構(gòu)化分析技術(shù)解析文檔內(nèi)容，將圖像信息與周圍的文本內(nèi)容結(jié)合，通過語義理解模型分析這些關(guān)聯(lián)信息，以判斷圖像是否包含敏感內(nèi)容；其次，構(gòu)建圖像理解模型，直接解析圖像本身內(nèi)容，進一步評估圖像是否涉及敏感信息；最后，將這兩個模型的識別結(jié)果進行合并，確保不遺漏任何敏感圖像。

圖7 圖像理解能力構(gòu)建

圖8 語義理解模型構(gòu)建

圖9 敏感圖像檢測調(diào)用流程

三、總結(jié)和展望

本文詳細(xì)闡述了工行軟開中心如何運用人工智能技術(shù)對行內(nèi)信貸評審報告進行智能脫敏處理，通過敏感信息塊檢測、敏感要素檢測、敏感圖像檢測等技術(shù)手段進行敏感信息識別，實現(xiàn)評審報告合規(guī)共享，從而支撐審貸人員更便捷地獲取各行業(yè)的優(yōu)質(zhì)評審經(jīng)驗，提升評審質(zhì)效。

在數(shù)字化轉(zhuǎn)型的潮流中，金融行業(yè)正迎來前所未有的變革。工行軟開中心積極擁抱科技，引入人工智能、大數(shù)據(jù)等創(chuàng)新技術(shù)，充分激活并發(fā)揮行內(nèi)數(shù)據(jù)資產(chǎn)價值，不斷優(yōu)化和提升金融服務(wù)水平。接下來，工行軟開中心將繼續(xù)以積極的態(tài)度和創(chuàng)新的實踐，為金融行業(yè)的高質(zhì)量發(fā)展貢獻自己的力量。