Personal Data Anonymization in Electronic Communication

Bc. Ondřej Sotolář

Master's thesis

Abstract:

Anonymizace osobních dat v nestrukturovaném textu je úkol spojující dvě výzkumné oblasti - anonymizaci v relačních databázích a rozpoznávání osobních dat (strojové rozpoznávání takových dat v textu). Zatímco první oblast je dobře prozkoumána, druhá oblast je relativně novým rozšířením úkolu rozpoznávání pojmenovaných entit z oblasti zpracování přirozeného jazyka. Tato magisterská práce prezentuje výsledky autorova výzkumu v obou oblastech, především pro český jazyk, a také popisuje implementaci softwarového řešení tohoto problému. Práce dále popisuje proces vytvoření testovacího korpusu, obsahujícího označkovaná osobní data. Softwarové řešení využívá existujícího nástroje pro rozpoznávání pojmenovaných entit (NameTag) společně s nově navrženými pravidly pro rozpoznávání a spojování pojmenovaných entit do větších celků, nazvaných entity osobních dat. Práce také navrhuje metody pro jejich anonymizaci. Jejím cílem je dosáhnout nahrazení entit osobních údajů jinými údaji, které zachovají původní, přirozené vyznění textu. Za tímto účelem je v softwarovém řešení využit další nástroj, MorphoDiTa, který umožňuje provést morfologickou analýzu původních údajů. Práce je zakončena analýzou obsahového složení vytvořeného korpusu a měření úspěšnosti vytvořeného řešení.

Abstract:

Personal data anonymization in unstructured text is a task joining two research fields - anonymization in relational databases and personal data recognition (the task of automatic detection of such data in text). The former is a well-researched topic, while the latter is a relatively novel extension of the NLP task of named entity recognition (NER). This master's thesis presents the results of the author's research of both parts, mainly in the Czech language. It presents an initial implementation of a solution to the problem. It also describes the construction of a test corpus with personal data labels. The author leverages already existing NLP tool for NER (NameTag) to enable the recognition an presents improvements based adding custom rules for recognition and also the joining multiple named entities into larger Personal Data Entities (PDE). The thesis further presents methods of anonymization of the PDE. The anonymization seeks to produce naturally looking text by keeping the original word forms while replacing them with gazetteer values. For this purpose, the solution leverages another NLP tool, MorphoDiTa. The thesis finalizes with analysis of the composition of the created corpus, and the measurements of success rate of the solution.

Keywords

Anonymization, personal data, personal data recognition, GDPR, sensitive data, anonymizace, osobní data, citlivá data, rozpoznání osobních dat

Language used: English

Date on which the thesis was submitted / produced: 11. 12. 2019

Thesis defence

• Date of defence: 5. 2. 2020
• Supervisor: RNDr. Jaromír Plhák, Ph.D.
• Reader: RNDr. Radek Ošlejšek, Ph.D.

Masaryk University

Faculty of Informatics

Master programme / field:
Applied Informatics / Service Science, Management and Engineering