基于不完整语义理解的文本数字水印算法研究

收稿日期:2005205220;修返日期:2006203229基金项目:国家自然科学基金资助项目(60373062);教育部科研重点项目(03092);湖南省杰出中青年基金资助项目(02JJY B012)基于不完整语义理解的文本数字水印算法研究3赵敏之1,2,孙星明2,向华政2(1.湖南商务职业技术学院,湖南长沙410205;2.湖南大学计算机与通信学院,湖南长沙410082)摘　要:提出了一种基于不完整语义理解的文本数字水印算法,该算法实现了将水印信息嵌入到文本的内容之中而不需要完整的理解文本的语义。

实验证明,基于该算法的水印嵌入和提取具有容易实现、鲁棒性较好的特点。

关键词:自然语言理解;文本水印;“的”字结构;语法规则;基于不完整语义中图法分类号:TP30912 文献标识码:A 文章编号:100123695(2006)0620118203Research on A lgorith m of Text W ater markingBased on Understanding Se mantic I ncomp letelyZ HAO M in 2zhi 1,2,S UN Xing 2m ing 2,X I A NG Hua 2zheng2(1.Hunan V ocational College of Co mm erce,Changsha Hunan 410205,China;2.College of Co m puter &Co mm unication,Hunan U niversity,Changsha Hunan 410082,China )Abstract:An incomp lete se mantically 2based text water marking algorith m is p resented .The algorith m is capable of e mbeddingthe water mark in the content of the text and it is not necessary t o understand the se mantic meaning of the text comp letely .Ex 2peri m ents show that the embedding and the extracti on of the water mark is easy t o realize and the algorith m itself is r obust .Key words:Natural Language Pr ocessing;Text W ater marking;DE Phrase;Syntax Rules;I ncomp lete Se mantically 2based Understanding1　引言数字水印(D igital W ater marking )是信息隐藏技术领域的一个重要分支,是一种有效的数字产品版权保护和数据安全维护技术。

数字水印按载体类型,可分为基于文本、图像、视频和音频等的数字水印。

当前的文本数字水印主要分为基于格式的文本数字水印[1]和基于自然语言处理的文本数字水印[2～5]。

基于格式的文本数字水印的主要实现技术为:通过行移编码、字移编码和特征编码等微调文档格式特征的方法来插入水印标记,它们的主要缺陷是不能防止基本的拷贝攻击或格式转换攻击。

基于自然语言处理的数字水印技术主要是通过改变句子结构[2～4]、同义词替换[5]等方法来加入水印信息。

自然语言数字水印改变了文本的内容,但没有改变文本的含义和格式,添加水印后几乎不可能被察觉,也不容易被破坏。

基于本体的语义理解的文本数字水印技术[3～5]需要本体库等大量基础数据的支持,而本体库的获得本身是一个非常难的问题。

由于中文相对于英语更有其独特性,所以,到目前为止,基于自然语言处理的文本数字水印技术在国内的相关研究还比较少。

如果能对文本进行完整的理解,将更宜于水印的嵌入和提取。

但是,语义操作越复杂,嵌入水印时所留下的痕迹也会越多。

由于人对自然语言的理解比机器要强得多,因此,机器嵌入的水印将会比较容易被人发现。

而我们认为,文本数字水印技术与其他的自然语言理解相关的课题相比,具有一定的特殊性。

其特殊性的本质在于:数字水印技术只需要对文本进行某种变换,并在变换后保持文本含义基本不变即可。

也就是说,并不需要真正的理解文本的语义。

这样的特殊性就放宽了对自然语言理解的要求,也就是,即使是对自然语言局部的、部分的理解也可以实现文本数字水印的嵌入和提取。

基于这种思想,我们研究了汉语中的助词,特别是“的”字。

本文首先通过对“的”字结构进行分析和总结,得到了部分语法规则,并将“的”字结构应用到基于不完整语义文本数字水印的嵌入和提取算法。

对所提出的算法进行了分析,并讨论了提高水印容量和增强算法鲁棒性的方法。

2　“的”字结构的部分语法规则经过不完全的统计发现,“的”字是汉语中出现频率最高的词,“的”字结构是现代汉语中最常用的一种短语结构。

在下面的语法规则中,“的”字结构均可以进行相应的变换,这里的变换主要是指“的”字本身的增删,而这种增删是不会改变句子本身的语义的。

但是其中有些规则在算法中比较容易实现,而有些规则在实现中则需要进一步的处理。

规则1　单音节形容词(性质形容词,特别是其中最典型的成员:“新、旧、大、小、红、白”等)作定语时,可以不加“的”字。

如,新的问题———新问题;坏的毛病———坏毛病规则2　程度副词修饰形容词或心理动词时,可以不加“的”字。

・811・计算机应用研究2006年如,十分的美丽———十分美丽;非常的快乐———非常快乐规则3　代词作定语,被修饰成分是亲属称谓或指一个集体或机构时,可以不加“的”字。

如,我的妈妈———我妈妈;你们的祖国———你们祖国规则4　描写性定语出现在数量词前可不带“的”[6]。

如,怎么样(的)一个人?规则5　如果“是”后是一个能独立充当谓语的形容词,可以去掉“是……的”。

如,这个问题是重要的———这个问题重要。

规则6　“另外”后跟数量词时,可以添加和去掉“的”字,在其他情况下不可以[6]。

如,还要跟你谈另外(的)一件事。

另外(的)两个人我不认识。

规则7　“不断”作状语时,基本上均可添加和去掉“的”[6]。

如,经过不断(的)努力,他终于成功了。

3　基于“的”字结构的水印算法本算法的基本思想是:对文本先进行分词,然后拆分成句。

根据上述语法规则依次对所有含有“的”字的句子进行判断,如果符合规则,就标记成可以删除字符的句子。

对上述可以删除字符的句子进行相应的修改,从而达到嵌入水印的目的。

311　符号注释为了描述算法的方便,我们用到了一些符号,说明如下:嵌入水印之前和嵌入水印之后的载体文本分别为T和Tw;W表示水印串(|W|=len),wi表示W的一个比特位;TagS表示嵌入水印了的句子的编号;I CTC LAS是中科院计算所的分词与词性标注工具,其输入是一篇文档,输出是一篇经过分词和词性标注的文档;I CTC LAS-1是一个去掉分词记号和词性标注记号的函数;S p litter是一个断句函数,其输入是一篇文档,输出是句子组成的集合;Sp litter-1是句子集合恢复成原有文档的函数;Can Delete是一个函数,判断某个句子是否可以删除掉一个“的”字,并返回符合条件的句子;O rder是对句子标号进行排序的函数,排序规则可以任意,比如最简单的按升序排列;De2 lete是删除给定句子中一个“的”字的函数,返回为删除了一个“的”字的句子;P为一个很大的素数,Py,Pn是判断给定的句子标号为素数P的二次剩余或非二次剩余[3～5]的函数,返回一个布尔值真或者假。

W ater markPr ocess or是一个水印串处理函数,它根据输入的字符串和原始水印长度,得到最有可能的水印字串。

312　水印嵌入算法水印嵌入算法如下所示:I nput:T,W,POutPut:T w,len,TagS(1)T1:=I CTCLAS(T);(2)S:=Sp litter(T1);n:=|S|;len:=|W|;(3)S1:={s|s∈S,s:=Can Delete(′DE′,s i),i=1,2,…,n};m:=|S1|;TagS:={tag i|i∈[1,n],s tagi ∈S1};(4)TagS:=O rder(TagS);(5)l oop:=m/len;I f l oop<1then p rint"e mbedding err or",exit; Else got o(6);(6)For i:=1t o l oop do For j:=1t o len do Begin//这里sj∈S1,并且取S1的标号 I f Pn(sj)and wj=0then s j:=Delete(′DE′,s j); I f Py(sj)and wj=1then s j:=Delete(′DE′,s j); End;(7)T1:=Sp litter-1(S);T w:=I CTCLAS-1(T1);(8)out put:T w,TagS,len313　水印提取算法水印提取算法如下所示:I nput:T w,TagS,lenOutPut:W(1)S:=Sp litter(T w),TagS:=O rder(TagS),W:=";(2)For i:=1t o|TagS|do　Begin//stag i∈S,tagi∈TagS I f Py(stag i)then W:=W+′1′ I f Pn(stag i)then W:=W+′0′　End;(3)W:=W ater markPr ocess or(W,len);(4)out put:W4　算法性能的分析与讨论(1)关于“的”字规则判定器、修改器。

从上述算法的描述可以看出,算法的关键在于“的”字规则的正确判定。

某个句子是否可删除“的”字,可以根据第2节总结的语法规则进行判定。

在实验系统中,我们对于每个已经实现的规则,均设计了一个函数,该函数输入一个字符串,输出结果为布尔值:如果可删除一个“的”字,则返回值为真,否则返回值为假。

我们将所有这些判定函数的集合称之为“的”字规则判定器。

该判定器由Can Delete函数实现。

根据同样的判定原理,我们还使用了一个“的”字规则修改器,该修改器是这样一类函数的集合:该函数可根据判定规则,对于给定的一个字符串,去掉一个“的”字。

该修改器由Delete函数实现,该函数输入一个字符串,输出删除了“的”字的字符串。