随着大数据与人工智能技术的广泛应用,数据背后蕴藏的巨大价值得以挖掘,同时带来也带来了不容小觑的隐私泄漏问题。如何在保障数据安全的前提下,实现大数据开放共享、高效挖掘日益成为重要的研究领域。为了应对数据挖掘中存在的隐私泄露风险,本文通过对大数据隐私保护技术进行深入研究,设计并实现了两种针对非结构化数据的隐私保护数据挖掘模型,能够有效地实现数据安全性与可用性之间的平衡。论文的主要创新性工作如下:(1)针对深度学习模型中存在的隐私泄漏问题及隐私保护的不透明性,本文将差分隐私与生成模型(GAN)相结合,提出了一种支持自适应差分隐私的生成对抗网络模型(Adp-GAN)。Adp-GAN通过自适应差分隐私实现机制,将拉普拉斯噪声合理地分配到判别器的仿射变换层的输入特征以及输出层的损失函数的多项式近似系数中,在实现差分隐私保护的同时,有效地减少了训练过程中隐私预算的消耗。通过在标准数据集MNIST和CelebA上的实验,验证了Adp-GAN可以生成更高质量的数据,并且用成员推理攻击实验证明了 Adp-GAN具有提供更好的抗攻击能力。(2)为解决传统敏感数据识别方法与标注数据强耦合且精度低的问题,本文构建了支持自适应数据脱敏的命名实体识别模型(Adm-NER)。Adm-NER在Bi-LSTM-CRF模型的基础上将对抗式迁移学习应用于数据脱敏领域,能够对缺少样本领域的敏感数据进行有效识别,再结合自注意力机制辅助于词边界定位,以达到更高的识别精度。通过五组对比实验的结果显示,Adm-NER显著地提升了对敏感数据的识别准确率。此外,从新闻领域到医疗领域的迁移学习实验证明,Adm-NER可以自适应地借助新闻领域的大规模标注样本学习共同特征,以实现对医疗领域的敏感数据精准定位识别,便于后续数据脱敏处理,为大数据脱敏系统的智能化设计提供了一种新思路。