一、背景

傳統(tǒng)信貸評(píng)審流程中，審貸人員通常依據(jù)貸前盡調(diào)報(bào)告及自身經(jīng)驗(yàn)撰寫評(píng)審報(bào)告，報(bào)告涵蓋擬授信企業(yè)的行業(yè)分析、財(cái)務(wù)情況評(píng)估及市場(chǎng)前景預(yù)估等內(nèi)容，對(duì)審貸人員的行業(yè)知識(shí)儲(chǔ)備、風(fēng)險(xiǎn)評(píng)估能力和趨勢(shì)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(chǎng)情況瞬息萬變，無疑使信貸評(píng)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(bào)告來汲取相關(guān)評(píng)審經(jīng)驗(yàn)，輔助審批決策；但由于法律法規(guī)、監(jiān)管規(guī)定對(duì)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(píng)審報(bào)告。

在此背景下，工行軟開中心對(duì)歷史大量評(píng)審報(bào)告影像資料和業(yè)界數(shù)據(jù)安全技術(shù)進(jìn)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(cè)、敏感要素檢測(cè)、敏感圖像檢測(cè)等技術(shù)手段進(jìn)行敏感信息識(shí)別和涂抹，對(duì)信貸評(píng)審報(bào)告實(shí)現(xiàn)了敏感信息99%的自動(dòng)脫敏，在保證文檔安全性的同時(shí)，實(shí)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(duì)文檔進(jìn)行深度結(jié)構(gòu)化分析，再通過自然語言處理識(shí)別文檔中的敏感信息塊和各類敏感要素，通過圖像處理識(shí)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(gè)核心能力：

1.敏感信息塊檢測(cè)

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(jī)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(shí)體識(shí)別模型無法滿足識(shí)別該類孤立敏感數(shù)據(jù)識(shí)別的需求。為了有效識(shí)別孤立敏感數(shù)據(jù)，工行軟開中心設(shè)計(jì)并建設(shè)了敏感信息塊檢測(cè)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(kù)進(jìn)行比對(duì)，高效識(shí)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(cè)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(jìn)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(chǔ)到向量數(shù)據(jù)庫(kù)中。當(dāng)需要脫敏的文檔上傳后，將文檔內(nèi)容分割成多個(gè)小部分（chunk）并批量向量化，再計(jì)算chunk中的向量與向量數(shù)據(jù)庫(kù)中已存儲(chǔ)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(cè)

2.敏感要素檢測(cè)

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(huì)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(shí)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(cè)能力，采用多種模型集成的方法，來精確識(shí)別文檔中各類敏感元素。

對(duì)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(jìn)行微調(diào)的方法來提升檢出率。具體來說，首先，對(duì)文檔語料進(jìn)行打標(biāo)，實(shí)體的開頭字符用“B-”表示，實(shí)體的非開頭部分用“I-”標(biāo)記，非實(shí)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(jī)場(chǎng)（CRF）層，形成微調(diào)后的新模型，對(duì)打標(biāo)語料識(shí)別'B-I'部分，抽取出不同類型的實(shí)體元素，從而提升敏感要素的識(shí)別精度。

圖3 敏感元素檢測(cè)

對(duì)于身份證號(hào)碼、股票代碼等敏感要素，工行軟開中心設(shè)計(jì)了一系列精確的正則表達(dá)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(jìn)行處理；其次，基于docx的XML結(jié)構(gòu)，將文檔進(jìn)行深度結(jié)構(gòu)化拆分，對(duì)于拆分出來的每個(gè)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(shí)別的身份證號(hào)碼、股票代碼等具有規(guī)則化結(jié)構(gòu)的實(shí)體信息。

圖4 規(guī)則數(shù)據(jù)解析

對(duì)于企業(yè)注冊(cè)地址等敏感要素，工行軟開中心對(duì)標(biāo)業(yè)界先進(jìn)經(jīng)驗(yàn)選擇LBERT+CRF模型結(jié)合知識(shí)圖譜的方法來精準(zhǔn)識(shí)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(cè)實(shí)體時(shí)，不僅能考慮字符級(jí)別的特征，也能考慮詞匯級(jí)別的特征，從而提高了地址信息的識(shí)別準(zhǔn)確度。此外，由于地址信息可能存在因手工輸入錯(cuò)誤、歷史地名變遷等導(dǎo)致的錯(cuò)誤或缺失，利用地址知識(shí)圖譜對(duì)LBERT模型輸出的地址信息進(jìn)行校正和補(bǔ)充，地址知識(shí)圖譜按照省、市、區(qū)、街道的層級(jí)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(shí)圖譜結(jié)構(gòu)

3.敏感圖像檢測(cè)

敏感圖像檢測(cè)由兩個(gè)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(jìn)一步評(píng)估圖像是否涉及敏感信息；最后，將這兩個(gè)模型的識(shí)別結(jié)果進(jìn)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(cè)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(yùn)用人工智能技術(shù)對(duì)行內(nèi)信貸評(píng)審報(bào)告進(jìn)行智能脫敏處理，通過敏感信息塊檢測(cè)、敏感要素檢測(cè)、敏感圖像檢測(cè)等技術(shù)手段進(jìn)行敏感信息識(shí)別，實(shí)現(xiàn)評(píng)審報(bào)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(píng)審經(jīng)驗(yàn)，提升評(píng)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(jià)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(shí)踐，為金融行業(yè)的高質(zhì)量發(fā)展貢獻(xiàn)自己的力量。