隐私政策(privacy policy)是组织或企业声明其收集、使用、共享用户个人信息的一类文本。随着近两年数据安全与个人信息保护不断的被重视,APP隐私合规成为了热议的焦点话题。当前国内监管机构开展的APP隐私政策人工评估工作耗时耗力,因此运用人工智能技术驱动分析隐私政策成为APP合规评估一项亟待研究的新课题。其中,隐私政策的命名实体识别(Named Entity Recognition,NER)对进一步分析其句子结构,实体关系等具有重要意义。但迫于该研究工作缺少相关报告文献,因此本文以“中文隐私政策”为研究对象,从命名实体识别角度进行了探索性研究。首先本文从任务需求入手,开发了用于中文隐私政策命名实体识别的数据集。通过运用文献研究法,在总结隐私政策文本研究现状的基础上,归纳了国内不同行业隐私政策存在的问题,如可读性差、文本冗长等,进而提出采用人工标注与基于机器学习算法的方式构建所需数据集。主要贡献有:首先通过华为应用市场获取了生语料并设计了合适的中文隐私政策实体标注规范;接着结合监管机构中文隐私政策评估指标,经专家确认后确定待标注的实体类型,并由基于“YEDDA”工具二次开发形成的“中文隐私政策文本标注工具”进行实体标注;为了提高句子分类快速性、便捷性,本文提出了关键词预筛选法用于根据关键词与句子主题间关系对预处理的语料文本进行分类。实验验证采用集成学习的堆叠法比单个分类器分类性能更好,但成本相对较高。随后本文顺势在关键词与句子主题潜在关系上进行分析,提出构造中文隐私政策稀疏矩阵并利用奇异值分解方法,由余弦相似度计算相似距离进行潜在语义分析。实验验证利用奇异值分解方法反推句子潜在语义分析所识别的关键词与关键词预筛选选取的关键词基本对应,验证了关键词选取有效性。在研究中文隐私政策命名实体识别方法上,本文通过基于统计机器学习的条件随机场(conditional random field,CRF)模型和提出构建PRI-BI-LSTM-CRF神经网络方法用以解决中文隐私政策NER任务。条件随机场模型作为研究的基线方法需通过工具转为条件随机场模型训练测试格式。基于CRF研究中本文从领域特征角度设计实验比较文本不同输入粒度和窗口大小对识别结果的影响性。在基于神经网络方法上,PRI-BI-LSTM-CRF神经网络模型框架经实验验证六类实体F1值平均达到了79.55%。同时为解决因中文隐私政策数据标注集缺少影响识别准确性的问题,本文结合迁移学习提出通过预训练参数迁移PrivacySpecific词嵌入构建Trans-PRI-BI-LSTM-CRF神经网络提升中文隐私政策NER任务的准确性。综上,本文通过设计四组特征因素影响分析实验和基于字粒度标记下对比CRF、PRI-BI-LSTM-CRF、Trans-PRI-BI-LSTM-CRF三种识别方法,分析了中文隐私政策命名实体识别准确性影响因素和不同方法对解决中文隐私政策NER问题上的提升效果。根据实验数据表明,在解决中文隐私政策命名实体识别问题上,采用字粒度标记下的Trans-PRI-BI-LSTM-CRF方式六类实体F1值平均达到79.92%,可以更好的提升识别的准确性同时且具有一定的方法可行性。