Multilingual Automated Text Anonymization

134 Pages·2016·1.34 MB·English

by  Francisco Dias

Multilingual Automated Text Anonymization
Francisco Manuel Carvalho Dias
Thesis to obtain the Master of Science Degree in
Information Systems and Computer Engineering
Supervisors: Prof. Dr. Nuno João Neves Mamede
Dr. João de Almeida Varelas Graça
Examination Committee
Chairperson: Prof. Dr. Alberto Manuel Rodrigues da Silva
Supervisor: Prof. Dr. Nuno João Neves Mamede
Members of the Committee: Prof. Dr. Jorge Manuel Evagelista Baptista
Prof. Dr. Maria Luísa Torres Ribeiro Marques da Silva Coheur
June 2016

Abstract
Sharing data in the form of text is important for a wide range of activities but it also raises a concern
aboutprivacywhensharingdatathatcouldbesensitive. Automatedtextanonymizationisasolution
forremovingallthesensitiveinformationfromdocuments. However,thisisachallengingtaskdueto
theunstructuredformoftextualdataandtheambiguityofnaturallanguage.
Inthiswork,wepresenttheimplementationofamultilingualanonymizationsystemfortextdocuments
infourlanguages: English,German,PortugueseandSpanish.
Fourdifferentmethodsofanonymizationareevaluatedandcompared. Twomethodsreplacethesen-
sitive information by artificial labels: suppression and tagging. The other two methods replace the
informationbytextualexpressions: randomsubstitutionandgeneralization.
Evaluation showed that the use of the tagging and the generalization methods facilitates the reading
of an anonymized text while preventing some semantic drifts caused by the remotion of the original
information.
iii

Resumo
A partilha de dados sob a forma de texto é importante numa vasta gama de actividades. Porém, a
partilha de dados suscita preocupações quanto a privacidade no caso em que os textos contêm infor-
mação sensível. A anonimização automática de texto é uma solução para a remoção das informações
confidenciaiscontidasemdocumentos. Noentanto,estaéumatarefadesafiadoradevidoàformanão
estruturadadosdadosemformadetextoedaambiguidadedalínguanatural.
Nestetrabalho,apresentamosaimplementaçãodeumsistemadeanonimizaçãomultilingueparadoc-
umentosemquatroidiomas: Alemão,Espanhol,InglêsePortuguês.
Quatrométodosdiferentesdeanonimizaçãoforamavaliadosecomparados.Doismétodossubstituema
informaçãosensívelporrótulosartificiais: supressãoeetiquetação. Osoutrosdoismétodossubstituem
ainformaçãosensívelporexpressõestextuais: asubstituiçãoaleatóriaegeneralização.
A avaliação mostrou que o uso dos métodos de etiquetação e de generalização facilitam a leitura dos
textosanonimizados,evitandoalgunsdeslizessemânticoscausadaspelaremoçãodainformaçãoorigi-
nal.
v

Keywords
TextAnonymization
Privacy
NamedEntityRecognition
CoreferenceResolution
Sanitization
Palavras-Chave
AnonimizaçãodeTexto
Privacidade
ReconhecimentodeEntidadesMencionadas
ResoluçãodeCo-referências
SanitizaçãodeDados
vii

Acknowledgments
IwouldliketoshowmyappreciationtomyadvisorsNunoMamedeandJoãoGraçafortheirguidance,
theirconfidenceandforthehelptheyhavegivenmeduringthiswork. IamalsoverygratefultoJoão
Graça for the opportunity to work on this project and for helping me to head my work in the correct
directionfromthebeginning. Hewasthemajorcontributortomakethisprojectcometrue.
IwouldliketothankprofessorJorgeBaptistafromUniversidadedoAlgarveforallthecorrectionsand
suggestions,whichwereveryusefulwhilstwritingthisdissertation.
I would like to thank professor Luisa Coheur for the corrections and suggestions to the draft of this
manuscript.
I would like to thank the Unbabel team for their reception and support, and for making possible this
project.
IwouldliketothankprofessorDavidMatosforhisadvicesaboutstatisticalsignificance.
Iwouldliketothanktheannotatorsfortheirpatienceanddedicationtothetask.
ThisworkwassupportedbynationalfundsthroughFundaçãoparaaCiênciaeaTecnologia(FCT)with
referenceUID/CEC/50021/2013.
Finally,Iwouldliketoexpressmygratitudetothefollowingpersonsintheirnativelanguages:
Queroagradeceràminhamãe,UmbelinaDias,portodooapoioincondicionalecompreensãoaolongo
destesanosdetrabalhoepor,mesmoàdistância,terdadotodoopreciososuportenosmomentosmais
difíceis.
Vreausa˘-imultumescluiAlinapentruprietenie,întelegeresisprijinînrealizareaacestuiproiect.
, , ,
Lisbon,June24th2016
FranciscoDias
ix
x