假设你是一家大型物业公司的安防主管，管理着“未来花园”小区。每位业主的身份证号、手机号、银行卡号都留在物业系统里，这些数据一旦泄露，轻则被广告骚扰，重则被冒名办贷。你的任务，是设计一套安保体系：既要在快递员、维修工进出时快速识别“什么信息能看、什么信息必须藏起来”，又要保证日常物业服务照常运转。这就是 PII 检测与脱敏要解决的事。 在这篇文章里，你将看到一套三管齐下的混合方案：固定哨兵（正则表达式）、巡逻保安（命名实体识别 NER）、安保队长（大语言模型 LLM），再由“脱敏”这道伪装工序让敏感信息在保留使用价值的同时变得面目模糊。最后，我们会像业主考核物业一样，用精确率、召回率这些硬指标给安保体系打分。读完你会发现，隐私保护不是花哨的算法炫技，而是一场成本、准确与合规之间精心计算的攻防战。

岗位关联

掌握这套三管齐下的 PII 治理方案，你就能在生产环境中既满足 GDPR 等隐私合规要求，又保证数据产品的实用价值，这是 AI 工程师和数据团队的核心竞争技能。

目录
  1. 可视化演示
  2. PII概念分类：认识等待被保护的“隐私资产”
  3. 正则格式筛查：最勤快的固定哨兵
  4. NER语义识别：训练有素的巡逻保安
  5. LLM智能审核：理解语境的安保队长
  6. 多方法融合：三线联防指挥体系
  7. 脱敏处理策略：给敏感信息穿上伪装
  8. 合规评估调优：安保系统的考核验收
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示正则/NER/LLM三方法混合检测流程与五种脱敏算法对比。

本节配有交互动效（进入视口后自动加载，约 3KB）。

三方法混合PII检测 正则匹配：身份证/手机/邮箱等格式固定PII NER模型：人名/地名/机构等结构化实体 LLM语义：上下文敏感的隐含PII识别 PII = regex ∪ NER ∪ LLM (confidence) 三方法按置信度融合裁决。

PII概念分类：认识等待被保护的“隐私资产”

在“未来花园”小区，业主入住时登记的资料分为两类：一类是户口本、身份证这种一出手就能证明“我是我”的证件；另一类是性别、生日、居住楼层这种单独看很普通、但几个凑在一起就能把一个人从千万人里捞出来的线索。物业档案柜的锁，要为这两类资料同时上锁。这种“值钱的线索”意识，是理解整套方案的第一步。

在数据世界，前者叫“直接标识符”，后者叫“准标识符”。PII（Personally Identifiable Information），中文叫“个人身份标识信息”，是这两类信息的统称。GDPR、个人信息保护法等法规要求，凡是能识别到具体自然人的数据，都必须受到同等保护。

直接标识符包括身份证号、手机号、护照号；准标识符包括出生日期、性别、邮政编码、职业等。单独看准标识符无害，组合起来却能唯一锁定一个人——例如“1985年出生 + 北京 + 男 + 心血管科医生”几乎就能指向某个人。因此，PII 检测既要防“一眼看穿”，也要防“拼图还原”。

门卫的《业主资产清单》上，既列明了“金条存放箱”，也标注了“拼图线索箱”——后者往往更能暗藏风险。认清这两类资产，安保工作才谈得上有对象。

PII={x∣x∈直接标识符∪准标识符}\displaystyle \text{PII} = \{x \mid x \in \text{直接标识符} \cup \text{准标识符}\}
只要数据项能单独或组合识别到具体个人，就属于 PII 的管辖范围。
  1. 直接标识符单独一条信息就能锁定具体身份的数据，例如身份证号、手机号。
    直接标识符={身份证号,手机号,护照号,…}\text{直接标识符} = \{\text{身份证号}, \text{手机号}, \text{护照号}, \ldots\}
  2. 准标识符单独无法识别、多个组合后可锁定个人的数据，例如生日、性别、城市。
    准标识符={生日,性别,城市,职业,…}\text{准标识符} = \{\text{生日}, \text{性别}, \text{城市}, \text{职业}, \ldots\}
  3. 并集运算两类集合取并集，只要属于任意一类，一律按 PII 管理。
    A∪B={x∣x∈A 或 x∈B}A \cup B = \{x \mid x \in A \text{ 或 } x \in B\}

正则格式筛查：最勤快的固定哨兵

小区门口的智能门禁机，内置了一份“通行证样式库”：卡片必须是16位磁条、访客单必须盖红色章、外卖保温箱必须有平台贴纸。凡是符合样式的，机器 0.1 秒内放行。正则表达式就是这样一个“样式库”。它不看内容含义，只看字符串长相。

正则表达式是描述字符串格式的模板语言。PII 里最具“标准格式感”的就是手机号和身份证号：手机号严格 11 位，身份证号严格 18 位且末位可能带 X。用正则几乎可以零成本地把它们从文本海里捞出来。

手机号正则 1[3-9]\d{9}，表示第一位是 1、第二位是 3 到 9、后面紧跟 9 位数字。身份证正则更复杂：区域 6 位 + 出生年 4 位 + 月日 4 位 + 顺序码 3 位 + 校验位 1 位。正则的优点是毫秒级响应、几乎不耗资源、结果可解释；缺点是只会“看长相”，随便写的 18 位数字也会被误认成身份证号。

门禁机再快，也分不清“印着访客单样式的传单”和“真正的访客单”——格式模板的局限，需要下一班巡逻保安来补。

L(手机号)=1⋅{3,4,5,6,7,8,9}⋅{0,1,…,9}9\displaystyle L(\text{手机号}) = 1 \cdot \{3,4,5,6,7,8,9\} \cdot \{0,1,\ldots,9\}^9
这个形式语言描述的是所有合法手机号构成的集合，正则就是它的“门禁规则”。
  1. 固定首位所有手机号都以数字 1 开头，这是第一道“牌匾”。
    11
  2. 第二位限制第二位只能是 3 到 9，排除了 1 开头、2 开头的特殊号码段。
    {3,4,5,6,7,8,9}\{3,4,5,6,7,8,9\}
  3. 剩余九位数字后面 9 位任意数字构成，加起来共 11 位。
    {0,1,…,9}9\{0,1,\ldots,9\}^9

NER语义识别：训练有素的巡逻保安

如果门禁机只认格式，那么“王五这个名字出现在一段散文里”它就无能为力了。好在院子里还有巡逻保安，他们认得业主的脸：“这位是 3 号楼的王总，那位是 8 号楼的李医生。”他们认的不是格式，而是“这个人听起来像某位业主”。NER 干的就是这件事。

命名实体识别（Named Entity Recognition，NER）从非结构化文本中找出人名、地名、机构名、时间等实体，并标注边界和类型。它是 NLP 的老牌任务，底层常用序列标注模型实现。比如输入“张三在北京上班”，输出是“张三”为人名、“北京”为地名。

具体到技术，BIO 标注体系是最常用的编码方式：B 表示实体开始（Begin），I 表示实体内部（Inside），O 表示非实体。例如“张三”标为 B-PER、I-PER。NER 的优点是能识别没有固定格式的姓名、地址、公司名；缺点是训练数据里没出现过的新人名、方言称呼，它很容易漏检。模型记住的是“规律”，不是“查字典”。

保安能认出熟脸，但见到“第一次搬来的租客”就抓瞎。要认识更多面孔，保安需要更多岗前训练——也就是更多高质量的标注数据。

y^=arg⁡max⁡yP(y1,y2,…,yn∣x1,x2,…,xn)\displaystyle \hat{y} = \arg\max_{y} P(y_1, y_2, \ldots, y_n \mid x_1, x_2, \ldots, x_n)
模型在给定输入词序列时，选择整体最合理的标签序列作为输出。
  1. 输入词序列文本被切分成词，例如“张三在上班”切成四个词。
    x1,x2,…,xnx_1, x_2, \ldots, x_n
  2. 输出标签序列每个词对应一个 BIO 标签，例如 B-PER 是人名开始。
    y1,y2,…,yn∈{B-PER,I-PER,B-LOC,O,…}y_1, y_2, \ldots, y_n \in \{\text{B-PER}, \text{I-PER}, \text{B-LOC}, \text{O}, \ldots\}
  3. 条件概率最大化在所有可能标签序列中，挑整体概率最高的一条作为预测。
    arg⁡max⁡yP(y∣x)\arg\max_y P(y \mid x)

LLM智能审核：理解语境的安保队长

真正的难题来了：外卖小哥小王每天中午来送餐，门卫见他穿制服、拿订单就放行；但如果他深夜两点翻墙进入小区呢？门卫和巡逻保安都吃不准，于是呼叫安保队长。队长看了一眼监控：“2 号楼 1403 近期点了夜宵，这人路线一致，是业主叫的外卖。”这是理解语境的判断力，正则和 NER 都不具备。

大语言模型（LLM）经过海量语料训练，具备强大的上下文理解和推理能力。在 PII 检测中，LLM 负责两类活儿：审慎判断“这到底算不算 PII”，以及处理被格式模板和实体词典漏掉的边界案例。比如“张三丰是武侠人物不是现实用户”“客服录音里的‘尾号 1234’是银行卡还是快递单号”，LLM 都能结合上下文给出合理答案。

使用方式通常是把待检测文本和 Prompt 一起送入模型，例如“你是数据合规审核员，判断以下文本是否包含个人信息并标注类型”。LLM 的缺点是成本高、延迟大、偶发幻觉，所以它不适合做全量扫描，更适合做“关键节点的专家复核”。

队长的工资最贵、出警最慢，所以聪明的物业只会把“翻墙的可疑身影”交给队长，绝不会让队长去数每一片树叶。这正是成本意识。

decision=arg⁡max⁡r∈{是PII,非PII}PLLM(r∣t,c)\displaystyle \text{decision} = \arg\max_{r \in \{\text{是PII}, \text{非PII}\}} P_{\text{LLM}}(r \mid t, c)
LLM 根据待检测文本 t 和上下文 c，选择概率更高的判断结果。
  1. 候选判断LLM 的输出被约束为“是 PII / 非 PII”两个候选答案。
    r∈{是PII,非PII}r \in \{\text{是PII}, \text{非PII}\}
  2. 输入文本与上下文t 是要判断的片段，c 是它的前后文，例如对话历史或段落语境。
    (t,c)(t, c)
  3. 概率最大决策模型内部对两个候选分别打分，取概率更高者作为最终判断。
    arg⁡max⁡rP(r∣t,c)\arg\max_r P(r \mid t, c)

多方法融合：三线联防指挥体系

成熟的小区安保必然是“三道防线”联动：门禁机把住格式、巡逻保安盯住熟脸、监控室队长做最终研判。三线联防的意义不是让谁取代谁，而是让每种角色各司其职、彼此兜底。工程实践中的 PII 检测方案也是这样。

最常见的混合策略有两种。串联流水线：先跑正则和 NER，凡是命中的直接标记；未命中或置信度低的片段再送 LLM 复核。并联加权：三种方法并行跑，各自打出置信度分数，按权重合成最终结论。正则和 NER 成本低、吞吐量大，能覆盖 90% 以上的标准场景；LLM 作为兜底，只处理剩余 10% 的模糊地带。

权重可以根据数据分布动态调节：金融场景身份证号优先级最高，把正则的权重调大；社交媒体场景人名和昵称居多，把 NER 的权重调大。这套“让专业的人干专业的活、让最贵的专家解决最难的问题”的设计，就是混合方案的精髓。

门禁机挡不住传单、保安认不出新租客、队长看不清全楼——但三者配合，就能把“伪装成访客的传单推销员”拦在门外。这就是混合的力量。

S(x)=w1r(x)+w2n(x)+w3l(x),w1+w2+w3=1\displaystyle S(x) = w_1 r(x) + w_2 n(x) + w_3 l(x), \qquad w_1 + w_2 + w_3 = 1
最终得分是三种检测器的加权和，权重体现了策略倾向。
  1. 正则得分命中固定格式时为 1，否则为 0。
    r(x)∈{0,1}r(x) \in \{0, 1\}
  2. NER 置信度实体识别的模型输出概率，取值在 0 到 1 之间。
    n(x)∈[0,1]n(x) \in [0, 1]
  3. LLM 置信度LLM 给出“是 PII”的概率分数。
    l(x)∈[0,1]l(x) \in [0, 1]
  4. 权重归一化三个权重和为 1，哪个方法更可靠，就给它更大的话语权。
    w1+w2+w3=1w_1 + w_2 + w_3 = 1

脱敏处理策略：给敏感信息穿上伪装

被识别出的敏感信息，就像业主放在前台的贵重物品。物业不会把它们直接展示给访客，而是放进“伪装盒”：盒子外观写着“普通日用品”，内部用主人编号记录。访客拿到的永远是一个“无法对应到具体业主”的替代品。脱敏要做的，就是给真实 PII 穿上这样一层伪装。

脱敏（Data Masking）是在数据流转和发布环节，把真实 PII 变成不可逆或难以关联的伪装值，同时尽量保留统计意义。三种主流策略各有分工：掩码、泛化、假名化。

掩码是保留前几位、其余打星号，如 1385678，常用于日志和客服界面；泛化是降低精度，如出生日期“1990-01-01”改为“1990 年”、地址“北京市朝阳区”改为“北京市”，适合数据分析场景；假名化是用确定性替换规则把“张三”换成“用户 A”，同一对象每次替换结果一致，适合需要跨系统关联分析的场景。三种策略可以组合使用，核心原则是：让数据研究者仍能统计“有多少盒药”，却不知道是“谁的药”。

“伪装盒”让访客拿得到盒子的形状和规格，却摸不着盒主人的身份——数据研究者仍能统计“有多少盒药”，却不知道是“谁的药”。这就是脱敏的意义。

mask(v,k)=v[0:k]+⋆ n−k,n=len(v)\displaystyle \mathrm{mask}(v, k) = v[0:k] + \star^{\,n-k}, \quad n = \mathrm{len}(v)
掩码脱敏保留前 k 位可辨识前缀，其余用星号全部遮蔽。
  1. 取值与长度v 是原始敏感值（如手机号），n 是它的总长度。
    n=len(v)n = \mathrm{len}(v)
  2. 保留前缀截取前 k 个字符原样保留，便于人工核对尾号或归属地。
    v[0:k]v[0:k]
  3. 星号补全剩余 n-k 位全部替换成星号，使原值无法完整还原。
    ⋆n−k\star^{n-k}

合规评估调优：安保系统的考核验收

每个季度末，业委会要对安保体系做一次验收：这季度拦住的可疑人员里，有多少是真坏人？漏掉几个真坏人？冤枉了几个正常访客？如果物业真的用心，就得把这三个数字算得明明白白。PII 检测系统的上线，同样要过这道考核关。

在机器学习评估中，这三个问题对应精确率（Precision）、召回率（Recall）和 F1 值。精确率回答“报出来的有多少是准的”，召回率回答“真正的 PII 有多少被抓住了”，F1 是二者的调和平均。在标注好的基准数据集上，需要统计三类样本：TP（真阳性，确实检出）、FP（假阳性，误报）、FN（假阴性，漏报）。

精确率 = TP / (TP + FP)，召回率 = TP / (TP + FN)。F1 高意味着精确和召回都过硬，没有明显“偏科”。合规层面，GDPR 第 32 条要求采取“合适的技术与组织措施”保护个人数据，重大系统还需要做隐私影响评估（DPIA）。只有跑过基准集、算过 F1、通过 DPIA 的方案，才有底气说“可以接受监管审查”。

只有通过业委会验收的安保体系，才有资格挂上“五星小区”的牌子；同样，只有通过基准评测和合规审查的 PII 方案，才配在生产环境中真正上线。

F1=2×precision×recallprecision+recall\displaystyle F1 = \frac{2 \times \text{precision} \times \text{recall}}{\text{precision} + \text{recall}}
F1 是精确率和召回率的调和平均，比单纯算术平均更惩罚“偏科”的模型。
  1. 精确率在检出的 PII 集合中，真正是 PII 的比例。
    precision=TPTP+FP\text{precision} = \frac{TP}{TP + FP}
  2. 召回率在真实存在的 PII 中，被正确检出的比例。
    recall=TPTP+FN\text{recall} = \frac{TP}{TP + FN}
  3. 调和平均二者相乘的 2 倍除以二者之和，得到一个综合评分。
    2×precision×recallprecision+recall\frac{2 \times \text{precision} \times \text{recall}}{\text{precision} + \text{recall}}

AI 应用场景

银行客服质检实时脱敏

阶段：模型推理与部署

解决的问题：客服录音转写文本中包含客户身份证号、银行卡号，质检分析师查看原文时面临二次泄露风险。传统做法是人工审阅后再手工打码，效率低且容易遗漏。

具体案例：转写文本先过“正则快速扫卡号/证件号 → NER 标姓名/地名 → LLM 兜底判断‘我工号是 123456’这类模糊表述”的混合流水线，确认命中后立即脱敏，质检工单里只能看到 1385678 和“用户 A”这样的匿名文本。

AI训练数据发布前清洗

阶段：数据处理与准备

解决的问题：用爬虫和真实业务日志构造训练集时，文本中天然包含姓名、电话、住址，直接发布会违反 GDPR。传统方式是人工逐条筛查，几乎不可能完成。

具体案例：离线脚本先跑正则 + NER 快速标出常见 PII，对低置信片段提交 LLM 批量复核；然后按“假名化”策略把“张三”替换为“用户A”并建立映射表，模型训练时使用匿名数据，出现纠纷时可受控还原。

开发者日志系统敏感信息拦截

阶段：模型部署与监控

解决的问题：开发环境打印的 JSON 日志常把用户手机号跟着 log 一起打出来，渗透进日志聚合平台后极难清理。传统做法是事后“翻日志改代码”，永远追不上。

具体案例：在日志采集器的输出管线上嵌入轻量过滤器：正则秒级拦截明文手机号和身份证，NER 补充识别邮箱和地址；LLM 不参与高吞吐路径，只做离线抽样审计。形成“快速拦截 + 慢速审计”的两级架构，日志泄露面大幅收敛。

Python 演示

python65 行
import refrom typing import List, Tuple NAME_DICT = {"张三", "李四", "王五", "赵六"}PHONE_PATTERN = re.compile(r"1[3-9]\d{9}")ID_PATTERN = re.compile(r"[1-9]\d{5}(18|19|20)\d{2}(0[1-9]|1[0-2])(0[1-9]|[12]\d|3[01])\d{3}[\dXx]")  def regex_detector(text: str) -> List[Tuple[str, int, int]]:    hits = []    for pattern, tag in [(PHONE_PATTERN, "手机号"), (ID_PATTERN, "身份证号")]:        for m in pattern.finditer(text):            hits.append((tag, m.start(), m.end()))    return hits  def ner_detector(text: str) -> List[Tuple[str, int, int]]:    hits = []    for name in NAME_DICT:        pos = text.find(name)        while pos != -1:            hits.append(("姓名", pos, pos + len(name)))            pos = text.find(name, pos + 1)    return hits  def llm_judge(text: str) -> List[Tuple[str, int, int]]:    hits = []    for keyword in ["北京市", "上海市", "广州市"]:        pos = text.find(keyword)        while pos != -1:            hits.append(("地址", pos, pos + len(keyword)))            pos = text.find(keyword, pos + 1)    return hits  def merge_hits(all_hits: List[List[Tuple[str, int, int]]]) -> List[Tuple[str, int, int]]:    merged = []    for hits in all_hits:        for tag, start, end in hits:            merged.append((tag, start, end))    merged.sort(key=lambda x: (x[1], x[2]))    return merged  def mask_text(text: str, hits: List[Tuple[str, int, int]]) -> str:    chars = list(text)    for tag, start, end in hits:        for i in range(start, end):            chars[i] = "*"    return "".join(chars)  def main():    sample = "我叫张三，住在北京市朝阳区，手机号13812345678，身份证号110101199001011234。"    print("原始文本:", sample)    all_hits = [regex_detector(sample), ner_detector(sample), llm_judge(sample)]    hits = merge_hits(all_hits)    for tag, start, end in hits:        print(f"发现{tag}: {sample[start:end]}")    print("脱敏结果:", mask_text(sample, hits))  if __name__ == "__main__":    main()
目的：演示正则、NER、LLM 三条检测管线如何并行检出 PII，再通过合并与掩码实现脱敏。
  1. PHONE_PATTERN = re.compile(r"1[3-9]\d{9}")编译手机号正则，1[3-9] 限定第二位为 3-9。
  2. for pattern, tag in [(PHONE_PATTERN, "手机号"), ...]把多条正则和对应标签打包，循环扫描。
  3. for m in pattern.finditer(text)finditer 在全文迭代查找所有匹配位置。
  4. def ner_detector(text: str) -> List[Tuple[str, int, int]]:用姓名词典模拟 NER 的实体查找，返回“标签+起止位置”。
  5. pos = text.find(name)find 找到第一个出现位置，配合循环找出所有出现。
  6. def llm_judge(text: str) -> List[Tuple[str, int, int]]:用关键词词典模拟 LLM 对“地址类”实体的审核兜底。
  7. def merge_hits(all_hits: List[List[Tuple[str, int, int]]]) -> ...合并三路检测结果，统一为列表。
  8. merged.sort(key=lambda x: (x[1], x[2]))按起止位置排序，保证脱敏时按从左到右覆盖。
  9. chars = list(text)把字符串拆成字符列表，便于按索引替换为 *。
  10. all_hits = [regex_detector(sample), ner_detector(sample), llm_judge(sample)]三路检测器并行执行，构成混合方案的“并排三线”。

常见误区

误区手机号和身份证号都有固定格式，我写几行正则就能全捞出来，何必再上 NER 和 LLM？正则快、准、免费，一个正则包打天下不好吗？

正解正则只认“长相”不认“含义”。18 位纯数字的订单号、长得像手机号的座机号码，都会被误报。更关键的是，姓名、邮箱、地址这类没有强固定格式的 PII，正则完全无能为力。混合方案的价值正是用 NER 补语义、用 LLM 补上下文，而不是让正则单打独斗。

为何常见：因为手机号和身份证号确实是强格式数据，初学者很容易把“我见过的 PII”当成“全部的 PII”，犯了以偏概全的毛病。

误区LLM 这么聪明，上下文字段位无敌，直接把全部文本丢给它判断不就行了？正则和 NER 都该被淘汰。

正解LLM 有三大硬伤：成本高、延迟大、偶发幻觉。全量扫描时，每条请求都过 LLM，费用和响应时间都会失控。而且 LLM 对“格式是否合法”的把握并不如正则严谨，对“实体边界是否精确”也不如专用 NER 模型稳定。工程上的正确姿势是：让便宜的跑量，让贵的兜底。

为何常见：大模型演示效果惊艳，容易让人高估它的工程适用性，忽略成本和确定性这两把尺子。

误区NER 模型是“万能实体识别器”，只要训练过，什么人名、地名、机构名都能一网打尽。

正解NER 本质是统计模型，它学习的是训练数据里的分布规律。训练数据里没出现过的新名字、罕见的方言称呼、行业黑话，NER 都会漏检。所以工程上既要持续补充标注数据迭代模型，也要接受它是“高召回但非完美”的队友，后面还要 LLM 做复核。

为何常见：很多人把“模型见过很多数据”误解为“模型什么都知道”，忽略了模型只能回答它被训练过的问题。

误区把手机号中间四位换成星号，把名字换成 `*`，这就是脱敏了。一个工具函数走天下。

正解不同场景对脱敏的要求完全不同。日志场景适合掩码，数据分析场景适合泛化（保留年龄段才有统计意义），跨系统关联场景需要假名化（同一对象替换一致）。而且脱敏不等于加密：加密是可逆的，多数脱敏策略是不可逆或弱可逆的，设计时要明确“是否需要回查”以及“谁能回查”。

为何常见：因为掩码在界面上最常见、看起来最直观，初学者容易把“最显眼的做法”当成“唯一的做法”。

误区基准集上 F1 刷到 0.99，这个 PII 检测方案就完美了，直接上线没问题。

正解F1 只是综合指标，它掩盖了精确率和召回率的具体结构。金融合规场景宁可误报也不许漏报，此时高召回比高精确更关键；而面向 C 端用户的客服弹窗，误报会严重打扰体验，高精确更重要。另外评测基准集的分布是否贴近真实流量、是否覆盖边界案例，直接影响 F1 的代表性。

为何常见：因为 F1 是单一数字，给人“一个分数定生死”的简单感，人们倾向用数字代替对业务场景的深入思考。

面试题

Q1. 以下哪一项属于“直接标识符”？

单选题 · easy

  • A.用户所在城市
  • B.用户的出生日期
  • C.用户的身份证号码← 正确答案
  • D.用户的职业类型

答案：C。身份证号码单独一条就能锁定具体个人，是直接标识符。城市、生日、职业单独都无法识别个人，它们属于准标识符，需要组合才有风险。

Q2. 正则表达式 1[3-9]\d{9} 中 [3-9] 的含义是什么？

单选题 · easy

  • A.第一位数字只能是 3
  • B.第二位数字取 3 到 9 任一数← 正确答案
  • C.第一位数字取 3 到 9
  • D.最后九位只能取 3 到 9

答案：B。正则中第一个字符 1 匹配第一位，[3-9] 紧跟着匹配第二位，表示第二位必须是 3 到 9 之间的任意数字，后面的 \d{9} 才是剩余九位数字。

Q3. NER 的 BIO 标注中，B-PER 的作用是什么？

单选题 · mid

  • A.标记人名实体的起始位置← 正确答案
  • B.标记地点实体的内部位置
  • C.标记组织实体的结束位置
  • D.标记非实体的普通词汇

答案：A。B 是 Begin，表示实体开始；PER 是 Person 的缩写，指人名。B-PER 标记一个人名实体从左边界开始的那一个词，例如“张三住在北京”中“张”字的位置。

Q4. 在混合 PII 检测方案中，LLM 最不适合承担的工作是？

单选题 · mid

  • A.对模糊片段做二次判断
  • B.处理上下文相关的边界案
  • C.代替正则做全量实时拦截← 正确答案
  • D.解释可疑片段的判定理由

答案：C。LLM 延迟高、成本高，不适合全量、实时、高频的拦截任务；它适合做少量、复杂、需要上下文的兜底判断。全量拦截交给正则和 NER 才是成本最优的方案。

Q5. 掩码、泛化、假名化三种脱敏策略的共同目标是什么？

单选题 · mid

  • A.删除所有需要保护的字段
  • B.降低识别风险且保留可用性← 正确答案
  • C.对数据库进行整体加密
  • D.提升数据存储的压缩率

答案：B。三种策略都追求“数据可用但不可直接识别”：掩码保留可读前缀、泛化保留统计精度、假名化保留关联一致性。它们都不是删除数据，也不是加密或压缩。

Q6. 某检测模型精确率为 0.9、召回率为 0.5，F1 值的近似结果是？

单选题 · hard

  • A.0.64← 正确答案
  • B.0.70
  • C.0.72
  • D.0.75

答案：A。F1 = 2×0.9×0.5 / (0.9 + 0.5) = 0.9 / 1.4 ≈ 0.64。F1 是调和平均，对偏科严重（精确高、召回低）的模型会给出明显低于算术平均的分数。

Q7. 串联流水线中，为什么要把“未命中的样本”送去 LLM 复核？

单选题 · hard

  • A.为了降低系统的整体延迟
  • B.让模糊片段获得上下文判断← 正确答案
  • C.为了减少正则的编译工作量
  • D.让 NER 模型不再需要训练

答案：B。正则和 NER 命中的样本往往是格式或词典直接覆盖的“常规情况”，而漏掉的多是需要结合前后文才能判断的“模糊情况”。把这些低置信样本交给 LLM，是让最贵的能力用在最需要理解力的地方。

Q8. 以下哪些属于“准标识符”？

多选题 · mid

  • A.出生日期← 正确答案
  • B.所在城市← 正确答案
  • C.职业类型← 正确答案
  • D.指纹特征

答案：ABC。出生日期、城市、职业单独都无法锁定个人，需要组合使用，是准标识符。指纹特征能直接锁定个人，属于直接标识符，不属于准标识符。

Q9. 仅用正则检测 PII 存在哪些局限？

多选题 · hard

  • A.对格式变异的数据失效← 正确答案
  • B.无法区分语义场景← 正确答案
  • C.运行速度慢于 NER 模型
  • D.对无固定格式的实体无效← 正确答案

答案：ABD。正则依赖固定格式，格式一变就抓不到；它也不理解“这个号码是用户本人还是转账备注里的陌生人”这类语义；对姓名、邮箱等无强格式实体更是无效。正则的速度很快，C 选项说法反了。

Q10. 建设 PII 检测评估基准集时，应当考虑哪些因素？

多选题 · mid

  • A.覆盖常见类型的真实样本← 正确答案
  • B.包含多种领域的混合文本← 正确答案
  • C.加入模棱两可的边界案例← 正确答案
  • D.只使用单一来源的数据

答案：ABC。一个可靠的基准集要覆盖手机号、身份证、姓名等常见类型，跨越金融、社交、医疗等多领域文本，并刻意包含“看似 PII 实则不是”的边界案例。只用单一来源数据会让 F1 虚高，模型无法反映真实场景。