随着电子政务的发展,各级政府为了提高政务数据的利用率和共享程度,相继建立了自己的政务信息发布平台。在这些平台中,隐私数据识别和数据安全分类主要采用的仍然是人工指定的方法,效率不高。近年来基于深度学习的自然语言处理算法被提出,并在各个领域获得了不错的效果。因此,本文针对政务数据的特点展开研究,在现有的算法的基础上加以改进,使用深度学习的方法以提高隐私数据识别和数据安全分类的效率和准确率。论文的主要成果如下:(1)针对隐私数据识别问题,本文设计了一种基于规则和命名实体识别的隐私数据识别模型,分别用来识别文本中有明确规则和没有明确规则的隐私数据项。在现今通用的命名实体识别算法的基础上,引入注意力机制提取文本的全局信息,进一步提高模型的准确率。此外,本文中使用双向门控循环单元替代原模型中的双向长短期记忆网络,以减少模型中的参数,从而缩短模型的训练时间。实验结果证明,本文提出的算法可以有效解决隐私数据识别问题。(2)针对数据安全分类问题,本文设计了一种基于信息熵的数据安全分类模型。现今文本分类模型的输入大多为文本中对应的词向量,针对数据安全分类问题,这样的特征提取方式效果较差。本文中设计的模型使用基于平均自信息和互信息隐私度量方法得到隐私度量特征,使用Doc2Vec文本向量化技术得到每一段文本特征,并将两部分特征融合后输入到文本分类模型中进行数据安全分类。实验结果证明,将融合特征作为分类模型的输入,分类结果明显优于词向量作为输入的分类结果。本文设计的隐私数据识别和数据安全分类模型可以根据不同的应用环境,设定不同的隐私评价项,并且考虑到文本的整体语义信息对数据安全类别的影响。该模型能够提高政务数据中隐私数据识别和数据安全分类的效率和准确率,是政务数据开放共享中的关键一环,可以在一定程度上减轻隐私的泄露程度。