Detection of Sensitive Information Leaks Using IBM LanguageWare Resource Workbench

Mgr. Zdeňka Sitová

Bachelor's thesis

Anotácia:

UIMA is a standard for creating applications which extract information from unstructured text. Domain Extraction Model is a formal description of what is being searched for. In this thesis, we present CzFraudDEM, Domain Extraction Model for detection of sensitive information leaking in the bank sector. CzFraudDEM can find sensitive information (e.g. name or address) in unstructured text. We describe the process of development of CzFraudDEM in IBM LanguageWare Resource Workbench. The performance is evaluated on several collections of data. Depending on information we are seeking and the collection we are searching, the probability that relevant information will be found is from 0.615 to 1 and the probability that found information is relevant is from 0.861 to 1. CzFraudDEM can be used with any UIMA compliant application. It forms the basis of commercial tool that is being developed by IBM.

Abstract:

UIMA je standard pro vytváření aplikací pro extrakci informace z nestrukturovaného textu. Doménový extrakční model je formální popis toho, co se hledá. V této bakalářské práci představujeme CzFraudDEM, doménový extrakční model pro detekci úniku citlivých informací v bankovnictví. CzFraudDEM dokáže najít citlivé informace, např. jméno nebo adresu, v nestrukutrovaném textu. V práci popisujeme proces vývoje CzFraudDEM v IBM LanguageWare Resource Workbench. Úspěšnost byla vyhodnocena na několika kolekcích dat. V závislosti na informacích, které hledáme a kolekcích, které prohledáváme, pravděpodobnost, že bude relevantní informace nalezena spadá do rozmezí od 0.615 do 1 a pravděpodobnost, že nalezená informace je relevantní je mezi 0.861 a 1. CzFraudDEM může být použit v jakékoli UIMA aplikaci. Je základem komerčního nástroje, vyvíjeného IBM.

Keywords

named entity recognition, information extraction, IBM LanguageWare ResourceWorkbench, UIMA, fraud detection

Jazyk práce: English

Datum vytvoření / odevzdání či podání práce: 3. 1. 2012

Obhajoba závěrečné práce

• Obhajoba proběhla 30. 1. 2012
• Vedúci: doc. RNDr. Aleš Horák, Ph.D.
• Oponent: RNDr. Miloš Jakubíček, Ph.D.

Masaryk University

Faculty of Informatics

Bachelor programme / odbor:
Informatics / Artificial Intelligence and Natural Language Processing