基于角色化非对称裁决的隐私合规判断方法及存储介质

本发明属于信息安全，具体而言，涉及一种基于角色化非对称裁决的隐私合规判断方法及存储介质。

背景技术：

1、移动应用、互联网平台和数据处理者通常通过隐私政策、用户协议、儿童隐私保护规则、权限申请弹窗、第三方sdk清单和个人信息共享清单向用户披露个人信息处理活动。上述文本是否满足合法、正当、必要、诚信、公开透明、目的明确、最小必要、用户权利保障、未成年人保护、敏感个人信息保护和跨境提供告知要求，直接影响数据处理活动的合规风险。

2、现有隐私合规审查方式主要包括人工审查、关键词规则审查、普通机器学习分类、单模型问答式审查以及普通检索增强生成式审查。人工审查成本高、周期长且标准一致性难以保证；关键词规则审查难以处理上下文、例外条款、章节位置和段落语义；普通机器学习分类依赖大量标注数据，而隐私合规标注成本高、违规类型细、法律规范更新快；单模型问答式审查容易产生法条幻觉、理由漂移和结论不可复现；普通检索增强生成式审查虽然引入法律条文，但通常仍由大语言模型直接输出最终结论，缺乏可形式化验证的裁决函数。近年来基于大语言模型（large language model，llm）的方案在上述基础上进一步发展，但仍存在结论由模型直接给出、难以复现的共性问题，且未同时解决低资源中文合规审查中的角色混淆、证据可靠性与错误代价不对称问题，具体如下：

3、在基于大语言模型的隐私政策合规评估方面，已有方案对隐私政策进行智能分块以缓解长文本截断与长文本遗忘问题，并通过构建评估知识图谱与导航语义树，以向量匹配和筛选实现从法律规则到具体政策条款的结构化映射与溯源，从而生成结构化评估记录，详见专利文献号cn122021646a公开的一种基于大模型的隐私政策合规性评估方法、设备、介质及产品，但其仍由大语言模型对照知识图谱与语义树直接输出评估结论，缺乏可由规则引擎独立复现的形式化裁决函数，也未引入正反例角色隔离的小样本机制与漏判误报代价不对称机制。亦有方案重构车联网设备网络流量并提取消息体数据，采用模式匹配初筛后利用参数微调的大语言模型进行深度语义识别，再将实际流量中的隐私传输行为与隐私政策声明进行一致性比对，生成合规性检测报告，详见专利文献号cn122069079a一种基于大语言模型的车联网设备隐私泄露分析方法。该方案依赖实际运行流量采集，难以在仅有政策文本、低标注资源条件下对单一段落给出可追溯、可复现的合规裁决。

4、在合规判断与法律推理方面，已有方案采用大语言模型即裁判（llm-as-a-judge）或多智能体辩论（multi-agent debate）对文本进行评估。例如，现有方案构建法庭式多智能体辩论框架，设置原告、辩方、裁判等角色对争议性主张进行结构化对抗性核验，并引入渐进式检索增强动态扩展证据池（详见arxiv:2603.28488，2026）；现有方案提出面向裁判的多智能体辩论框架并采用自适应停止机制（详见arxiv:2510.12697）；还有方案提出成本敏感的对抗式评估框架，引入辩护人、裁判、陪审员角色分工与偏置审计（详见arxiv:2410.04663）。上述方案验证了角色化对抗与结构化裁决的有效性，但其裁决结论通常仍由大语言模型综合给出，多采用多数投票、加权平均或对称辩论聚合，未充分体现隐私合规中漏判成本高于误报成本的非对称性；且其角色检索未区分违规正例与合规反例的不同用途，未结合章节审查语境，也缺乏对应漏判与误报代价的成本敏感判决阈值。

5、在小样本与检索增强方面，已有方案通过向量相似度检索动态选取示例以提升小样本上下文学习效果，但多采用单一相似度检索，不区分正例与反例的角色用途，也不考虑章节审查语境，在合规审查中容易导致违规样本与合规样本混用、角色混淆以及跨章节误导。早期研究还尝试从隐私政策内部矛盾检测、政策声明与应用代码或数据流比对等角度实现隐私风险自动检测，但多侧重代码行为分析或规则匹配。

6、在隐私合规判断中，一个段落是否违规并非简单二分类。系统首先需要固定原文证据，识别文本所涉及的数据处理场景；其次需要提出可能违法或披露不充分的疑点；再次需要将疑点与法律依据、监管规范、违规模式或历史样本相匹配；然后需要判断段落是否存在足以反驳疑点的事实，例如功能必要性、授权与目的明确性、用户控制权以及最小必要和比例原则；最后才应形成裁决结论。若跳过中间步骤直接由模型输出“合规”或“违规”，其过程难以审计，也不利于后续人工复核和实验评估。

7、同时，隐私合规判断具有错误代价不对称性。将真实违规条款误判为合规，可能导致个人信息权益侵害、监管处罚、整改成本、声誉损失和后续诉讼风险；将真实合规条款误判为存在风险，通常主要带来复核和文本优化成本。因此，合规判断中漏判违规的成本通常高于误报风险的成本。现有对称辩论、多数投票或简单平均打分方法，容易将控方疑点与辩方理由赋予相同权重，未能充分体现该错误代价不对称性。

8、此外，低资源合规审查场景中，小样本学习不能简单理解为向提示词中放入若干随机案例。控方需要相似违规样本帮助发现疑点，辩方需要相似合规样本帮助识别可反驳事实；若将违规样本和合规样本混合使用，容易导致角色混淆和判断边界漂移。进一步地，隐私政策不同章节具有不同审查语境，例如“个人信息主体的权利”、“未成年人保护”、“第三方共享”和“存储与保护”章节中的合规要素不同。若不考虑章节语境，容易出现检索到语义相似但审查任务不同的样本，导致误报或漏判。

9、上述现有方案的最终合规结论多由大语言模型直接生成，其输出随提示词与采样过程波动，难以在计算层面复现和形式化验证，也无法在裁决计算中区分漏判与误报的不同代价，这构成现有技术在结论可复现性和可验证性方面的技术缺陷。

技术实现思路

1、针对现有基于大语言模型的隐私合规审查中，最终合规结论通常由大语言模型直接生成，受提示词、采样随机性和模型自由裁量影响，存在结论不可复现、不可形式化验证、证据来源不稳定以及漏判与误报代价无法在计算层面区分控制的技术缺陷，本发明的目的是一方面提供了一种基于角色化非对称裁决的隐私合规判断方法，另一方面提供了一种相应的计算机可读存储介质，该方法由计算设备执行，计算设备在输入待审查文本后，由计算设备的处理器依次执行声明性章节过滤、侦查案卷生成、违规类与合规类小样本的角色化检索、法条证据检索、控方疑点生成与支持分门控、辩方结构化反驳与主题感知反驳分计算、非对称形式化裁决及裁判理由说明，从而输出可复现、可追溯、可解释的合规判断结果。其中，违规类与合规类小样本的角色化检索由文本编码神经网络实现，所述控方疑点生成、辩方结构化反驳和裁判理由说明分别由大语言模型解码网络实现，所述非对称形式化裁决由运行于处理器的确定性规则引擎实现；上述文本编码神经网络与大语言模型解码网络部署于计算设备的中央处理器或图形处理器上执行前向传播，规则引擎依据预设阈值、权重和指示函数对网络输出的中间数据进行确定性计算后输出最终裁决结果。

2、本发明的目的是通过以下技术方案实现的：

3、按照本发明的第一方面，提供了一种基于角色化非对称裁决的隐私合规判断方法，所述方法由计算设备执行，所述计算设备包括处理器、待审查文本输入接口、法律证据库、小样本案例库、向量检索模块和大语言模型接口，所述方法包括：

4、获取步骤：通过所述待审查文本输入接口获取待审查文本，并对所述待审查文本进行预处理，以提取至少一个待审查单元；

5、检索步骤：基于所述待审查单元，通过所述向量检索模块分别在所述法律证据库和所述小样本案例库中进行语义相似度检索，获得与所述待审查单元对应的法条关联证据集和案例关联证据集；

6、融合步骤：将所述待审查单元、法条关联证据集和案例关联证据集输入至所述大语言模型接口，通过大语言模型生成融合所述法条关联证据集和所述案例关联证据集的裁决结果；

7、所述方法还包括：

8、对所述待审查文本进行单元切分及元数据标注，得到至少一个待审查单元；

9、对每一所述待审查单元，执行角色化控辩对抗及非对称裁决过程，所述过程包括：

10、侦查案卷生成子步骤：为当前待审查单元生成包含处理场景、原文证据片段、检查项结果集、疑点线索、辩方有利事实和供控方追问的问题的案卷数据；

11、角色化检索子步骤：从所述小样本案例库中分别检索违规类小样本和合规类小样本；

12、证据聚合子步骤：从所述法律证据库检索法条证据，并与从所述违规类小样本中提取的样本标注证据进行去重合并，形成法律证据集合；

13、控方主张子步骤：将所述当前待审查单元、违规类小样本、法律证据集合和案卷数据输入控方智能体，生成至少一个结构化疑点；所述控方智能体由大语言模型解码网络实现，且其引用的法律依据须属于所述法律证据集合；

14、疑点有效性判定子步骤：对每个所述结构化疑点计算支持分，所述支持分用于表征该疑点在法律依据、违规案例和文本缺口三个维度上的综合支持程度，并基于所述支持分与预设支持阈值的比较结果确定有效疑点；

15、辩方抗辩子步骤：将所述有效疑点、合规类小样本、法律证据集合和案卷数据输入辩方智能体，生成针对每个有效疑点的抗辩响应；所述抗辩响应至少包括疑点编号、审查主题、辩护理由、原文依据、被引用法条编号、被引用合规样本编号、未覆盖控方要点以及四个量化评价项，所述四个量化评价项分别为功能必要性评价项、授权与目的明确性评价项、用户控制权评价项和最小必要与比例原则评价项，分别用于表征待审查单元在功能必要性、授权明确性、用户控制权和比例原则方面的合规程度；

16、反驳有效性判定子步骤：根据所述当前待审查单元所属的审查主题，为所述四个量化评价项分配对应的主题权重，加权计算得到反驳分，并基于所述反驳分与预设反驳阈值的比较结果确定该疑点是否被成功反驳；

17、非对称裁决子步骤：通过运行于所述处理器上的规则引擎，统计未被成功反驳的有效疑点，若存在至少一个未被成功反驳的有效疑点，则输出不合规结论，否则输出合规结论；所述裁决结果不由大语言模型直接生成；

18、输出步骤，将裁决结果、有效疑点、抗辩响应、未解决疑点和反驳分输入裁判智能体，生成自然语言形式的裁判理由。

19、进一步，所述侦查案卷生成子步骤还包括：

20、根据所述待审查单元的章节标题或段落主题，判断其是否属于声明性或行政性章节；

21、若是，则跳过后续控辩链路，直接输出低风险合规结论，并在审查日志中记录跳过原因；

22、若否，则生成所述案卷数据。

23、进一步，所述角色化检索子步骤中：

24、所述违规类小样本仅从所述小样本案例库中标注为不合规的样本池中检索；

25、所述合规类小样本仅从所述小样本案例库中标注为合规的样本池中检索；

26、并且，在执行对比文件筛选时，优先选取与所述当前待审查单元具有相同章节标题或相同审查场景的样本作为第一比对基准；从所述第一比对基准中排除与所述当前待审查单元具备相同政策来源标识的干扰样本，以所述干扰样本之外的剩余样本构建目标对比文件集。

27、进一步，所述支持分通过以下方式计算：

28、为所述结构化疑点分别计算其与所述法律证据集合的法条匹配度、与所述违规类小样本的案例相似度、以及在所述当前待审查单元中的文本缺失强度；

29、对所述法条匹配度、案例相似度和文本缺失强度进行加权求和，得到所述支持分；所述法条匹配度、案例相似度和文本缺失强度的权重均为预设的非负值，且三者之和为1；

30、其中，所述法条匹配度的计算方式为：

31、获取所述结构化疑点所引用的法律依据编号；

32、在所述法律证据集合中查找各法律依据编号对应的法条检索得分，取其中的最高得分并进行归一化处理，将归一化后的值作为所述法条匹配度；

33、若所述结构化疑点引用的法律依据编号不在所述法律证据集合中，则所述法条匹配度取值为0。

34、进一步，所述反驳分的计算方式为：

35、根据所述当前待审查单元所属的审查主题，确定与所述四个量化评价项一一对应的四个主题权重；

36、将各量化评价项的取值与对应的主题权重相乘后累加，得到所述反驳分；

37、其中，所述四个量化评价项的取值均从预设的六档锚点集中选取；所述辩方智能体的输入提示词中预设有各评价维度的评分规范与六档锚点判定标准，所述辩方智能体依据该规范输出各量化评价项的取值、所依据的原文证据跨度及给分理由，并写入结构化审查日志。

38、进一步，在所述辩方抗辩子步骤中，对所述抗辩响应执行证据约束：

39、若任一量化评价维度未给出对应的原文证据跨度，则将该维度的评分封顶至第一预设上限；

40、若所述抗辩响应未引用任何法律证据且未引用任何合规类小样本，则将所述反驳分封顶至第二预设上限；

41、若所述抗辩响应中列出未覆盖的控方要点，则按预设扣减系数对所述反驳分进行扣减。

42、进一步，所述非对称裁决子步骤中：

43、所述规则引擎读取向量检索模块输出的语义相似度数据、控方智能体输出的结构化疑点数据以及辩方智能体输出的结构化抗辩响应数据；

44、所述规则引擎根据所述结构化疑点数据和所述结构化抗辩响应数据，按确定性计算逻辑输出最终裁决结果，以使相同输入数据在相同参数下经所述规则引擎计算得到相同的裁决结果。

45、进一步，所述方法还包括阈值动态自修正步骤：

46、所述计算设备维护一验证缓冲区，用于存储带有人工复核标签的历史审查记录；

47、当所述验证缓冲区中带标签记录数量达到预设下限时，在候选阈值网格中遍历多组候选支持阈值和候选反驳阈值，分别计算在各组候选阈值下的经验非对称风险；

48、选取使所述经验非对称风险最小的一组候选阈值作为本轮最优阈值；

49、以预设学习率对当前阈值进行指数滑动平均更新，并将更新后的阈值裁剪至预设区间内。

50、进一步，所述控方智能体、辩方智能体和裁判智能体分别由大语言模型解码网络实现，所述大语言模型解码网络为解码器架构的transformer神经网络，以自回归方式生成候选输出，所述候选输出的字段及格式由输入提示词中的预设输出规则限定，并经处理器进行结构解析和字段校验，形成符合预设格式的结构化数据；所述向量检索模块由文本编码神经网络实现，所述文本编码神经网络为transformer编码器架构，用于将文本片段映射为稠密语义向量。

51、按照本发明的第二方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时，使所述处理器执行所述的基于角色化非对称裁决的隐私合规判断方法的步骤。

52、通过上述设计方案，本发明与现有技术相比，有益效果在于：

53、第一，本发明将隐私合规判断分解为证据固定、疑点生成、证据门控、对抗反驳与形式化裁决等可独立检查的阶段，每一步的判据与中间结果均显式留痕，使最终结论能够逐步回溯至具体证据与疑点，克服了单模型问答式审查中间推理不可见、结论不可复核的问题，提高了可追溯性与可审计性；

54、第二，本发明通过声明性章节过滤，避免对基本声明或组织信息等不描述具体数据处理活动的段落进行过度挑刺，降低无意义误报；

55、第三，本发明通过章节感知的违规类小样本与合规类小样本检索，使违规样本和合规样本分别作用于疑点发现和反驳恢复，并使样本语境与待审查段落的章节主题一致，减少普通小样本方法中的角色混淆和跨章节误导；

56、第四，本发明通过将违规样本人工标注法条与法条rag（检索增强生成）结果合并，并限制控方只能引用证据集合中的法条，降低法条幻觉；

57、第五，本发明通过支持分和反驳分的形式化计算，以及由规则引擎执行的非对称裁决函数，使疑点是否成立、是否被反驳以及最终裁决结果均能够由阈值、权重和证据约束在计算设备上复现与验证；相较于由大语言模型直接输出合规结论的方案，本发明降低了结论不可复现这一技术缺陷，提升了判断结果的稳定性、可验证性和可审计性；

58、第六，本发明通过主题感知四个量化评价项

n/a/u/p权重，使不同审查主题采用不同反驳重点。例如用户权利主题更重视

u维，第三方共享和存储主题更重视

a维，安全措施主题更重视

n和

a维，从而提高反驳分的适配性；

59、第七，本发明通过六档评分锚点、维度证据跨度封顶、无有效引用封顶和未覆盖要点扣减，限制辩方在没有原文证据、法律证据或合规样本支撑时给出高分抗辩，从而降低漏判；

60、第八，通过非对称裁决函数使任一有效且未被反驳的疑点即可触发不合规结论，体现漏判成本高于误报成本的代价不对称性，使本发明在保持较高违规识别能力的同时控制误报率，相较对称辩论、多数投票或简单平均等对称聚合方案，在综合指标(如f1值与误报率)上取得更优的平衡；

61、第九，本发明通过结构化日志记录支持分、反驳分、法条证据编号、小样本编号、未解决疑点、运行时间、模型用量和裁判理由，便于审计、复核、实验评估和监管留痕。