基于多模态证据的网页KOGL开放政府作品许可合规风险预测与可解释验证

《IEEE Wireless Communications Letters》:Multimodal Evidence-Based License Compliance Verification for KOGL Open Government Works on the Web

【字体: 大 中 小 】 时间:2026年10月21日 来源:IEEE Wireless Communications Letters 5.1

编辑推荐:

  随着公共数据政策的扩展以及人工智能(AI)辅助内容利用的增加,开放政府作品在网页上的再利用迅速增长。在韩国,韩国开放政府许可(KOGL)允许在署名、非商业性使用和禁止演绎等条件下再利用公共作品。然而,这些条件在网页、广告、社交媒体帖子和被再利用的数字内容中经常

  
随着公共数据政策的扩展以及人工智能(AI)辅助内容利用的增加,开放政府作品在网页上的再利用迅速增长。在韩国,韩国开放政府许可(KOGL)允许在署名、非商业性使用和禁止演绎等条件下再利用公共作品。然而,这些条件在网页、广告、社交媒体帖子和被再利用的数字内容中经常被违反或误解。由于合规相关证据分布于文本描述、说明文字、许可元数据、嵌入图像文本、视觉变化和页面级语境中,人工检查和单模态分析不足以支撑可扩展的网页合规审查。本研究提出一种面向网页环境的KOGL许可合规风险预测的多模态证据方法。所提方法结合文本语境、KOGL元数据、光学字符识别(OCR)提取的图像文本和视觉特征,对四类风险进行分类:署名风险、非商业性使用风险、禁止演绎风险和虚假KOGL声明风险。轻量级序列上下文模型捕获合规相关线索的上下文流,决策模块同时产生风险概率和基于证据的解释。在面向KOGL的数据集上的实验表明,所提方法在准确率、macro-F1和曲线下面积(AUC)上优于仅文本、仅图像和简单融合基线。结果表明,多模态网页证据可改善合规风险预测,并为公共内容管理、开放政府数据策展和AI训练数据检查中的人工审查提供实际支持。
研究背景与问题:开放政府作品在网页、在线广告、社交媒体帖子、教育材料、数字档案和人工智能(AI)辅助内容生产中被广泛再利用。韩国开放政府许可(Korea Open Government Licenses, KOGL)为公共作品提供署名、非商业性使用和禁止演绎等标准化再利用条件。已有法律与制度研究及政策报告讨论了公共作品再利用的版权限制、KOGL制度改进和版权信息管理,但网页实践仍存在署名缺失、非商业性内容被商业利用、禁止演绎内容被修改,以及含第三方素材却作虚假KOGL声明等问题。合规证据分散于页面文本、说明文字、来源声明、HTML元数据、嵌入图像文本、水印、视觉修改和页面语境中;元数据常不完整、不一致或在再分发中丢失;人工检查难以扩展,规则方法难以处理歧义语境,单模态分析亦不充分。因此,研究人员将KOGL合规验证表述为涉及异构网页证据的网页工程问题,开展多模态证据风险预测研究,以支持人工审查而非替代法律判断。其意义在于提高合规风险预测能力并提供可解释证据,服务于公共内容管理、开放政府数据策展和AI训练数据检查。

关键技术方法(不超过250字):研究人员将网页内容表示为文本语境、KOGL元数据、OCR提取图像文本、视觉特征和页面级语境的多模态证据集;对文本与OCR文本分词嵌入,对元数据编码,对图像归一化后经图像编码器提取视觉特征;采用特征降维保留合规相关线索,以门控循环单元(gated recurrent unit, GRU)建模证据序列上下文;最后通过softmax分类四类风险、sigmoid估计风险概率并输出支持证据。实验用PyTorch实现;数据集由KOGL相关公共内容、咨询案例、文本描述、来源声明、图像及修改图像样本构建,按70:15:15划分训练、验证和测试集。

研究结果:
4.1 数据集:该小节通过构建KOGL相关公共内容、咨询案例、文本描述、来源声明、图像和修改图像样本的多模态证据实例,并依据KOGL许可条件和代表性网页证据标注署名风险(attribution risk, BY)、非商业性使用风险(non-commercial use risk, NC)、禁止演绎风险(no-derivatives risk, ND)和虚假KOGL声明风险(false KOGL claim risk, CF),得出可用于评估的数据集。
4.2 实验设置:该小节通过PyTorch实现并配置轻量级网页验证场景,比较规则方法、仅文本、仅图像、OCR+文本和简单融合等基线,得出需评估多模态证据集成与上下文建模贡献的实验设计。
4.3 评价指标:该小节采用准确率、macro-F1、AUC和推理延迟,并给出准确率、精确率、召回率、F1与macro-F1定义,得出以macro-F1应对类别分布差异、以AUC评估风险概率判别能力的评价方案。
4.4 总体性能:该小节通过模型比较得出,所提方法取得最高性能,准确率0.91、macro-F1为0.89、AUC为0.93;规则方法受限于显式关键词和预定义元数据条件;仅文本模型准确率0.78、macro-F1为0.74,能利用文本证据但难以检测视觉修改和所有权不一致;仅图像模型低于仅文本模型,但图像特征对ND和CF风险仍重要;OCR+文本模型优于仅文本模型;简单融合优于单模态但低于所提方法。结论是多模态证据集成、特征降维和序列上下文建模有助于KOGL合规风险预测。

讨论部分总结:多模态网页证据可改善KOGL合规风险预测,KOGL风险常源于元数据、页面文本、OCR文本和图像内容等不同网页元素之间的不一致;输出风险类型、风险概率和证据可支持公共内容管理者、网站管理员和开放数据策展人优先审查高风险内容,但不替代法律判断。

研究结论翻译:本文提出一种面向网页环境的KOGL许可合规风险预测多模态证据方法。主要目标是支持网页上再利用开放政府作品的可扩展合规审查,因为许可相关证据常分布于文本描述、说明文字、元数据、图像嵌入文本和视觉内容中。本研究未将KOGL合规验证视为简单文本分类任务,而将其表述为涉及异构网页证据的网页工程问题。所提方法集成文本语境、KOGL元数据、OCR提取图像文本和视觉特征,以预测四类合规风险:署名风险、非商业性使用风险、禁止演绎风险和虚假KOGL声明风险。研究使用特征降维减少噪声和冗余信息,并应用轻量级序列上下文模型捕获不同证据元素之间的关系。最终输出提供预测风险类型、风险概率和支持人工审查的证据。实验结果显示,所提方法优于规则方法、仅文本、仅图像、OCR+文本和简单融合基线,准确率为0.91、macro-F1为0.89、AUC为0.93;结果表明多模态网页证据可有效改善KOGL合规风险预测,OCR提取文本和视觉特征提供了文本语境无法完全捕获的有用证据。所提方法不旨在替代法律判断,而是通过识别高风险网页内容并呈现可解释证据提供合规导向的决策支持,可帮助公共内容管理者、网站管理员和开放数据策展人优先审查需进一步复核的内容,也可用于审查AI训练数据和网页内容管理环境中再利用的公共内容。未来工作将扩展至视频和音频等媒体类型,其中KOGL合规证据可能出现在字幕、语音、背景图像或时间编辑模式中;另一方向是引入来源追踪(provenance tracking)以验证公共作品的来源和再利用历史;此外,将在真实网页审查环境中进一步评估可扩展性、延迟和实际可用性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号