詞典共享計劃 - Githubissues

lotem commented 6 years ago

問題

「八股文」詞典及各部韻書缺少常用詞彙，尤其是

最近幾年產生並廣泛使用的新詞
極其高頻的詞組及固定搭配

用家持續使用輸入法，會在用戶詞典記下衆多新詞、缺詞，並按使用習慣調整詞頻，從而逐漸提升輸入體驗。然而這些屬於隱私數據，無法用於改善「八股文」及各部韻書，也無法安全地分享給其他用家。

共享計劃，以衆包的模式改進詞典，其關鍵是設計一套嚴密保護隱私數據、彙總、發現新詞、人工審查彙總結果的機制，並實現相關工具。

構想

這套工具鏈的第一環節是用家通過 GitHub 帳號訂閱一期詞典共享計劃。分期的目的是每期之間可以更新流程及工具，變更分享內容，並使用不同的加密密鑰。使用不同輸入語言（編碼方案）的用家可加入不同的共享計劃，或只參加八股文詞典共享。將來這一概念可以擴展到共享專業＼行業詞典，等等。

訂閱要求用家的用於參加分享用戶詞典積累了達到一定量的數據。訂閱後先由工具分析詞典內容，抽樣產生一份報表（可能包含新詞及詞頻相對於預設值有顯著更新的詞），呈用戶審閱（可手動刪除部份不願共享的內容，或重新抽樣）後，做雙層不對稱加密，將密文提交到該期共享計劃的資料庫。

第二環節，由執鍵人完成彙總。在收集到大量用家提交的報表後，由當值執鍵人在安全操作環境中，持外層密鑰的私鑰對報表解除一層加密。執鍵人不持有內層密鑰。這將使每條記錄的用戶識別碼（並非個人身份信息）、詞頻等字段可讀，而詞條內容（加鹽）仍受第二層加密保護。執行腳本彙總所有用家提交的資料，濾去使用人數、累計詞頻折算權重不足設定閾值的記錄，結果再次加密後，寫入另一資料庫。

第三環節，審覈團隊人工處理彙總結果。審覈團隊必須排除當值執鍵人，並獨立設計本期共享計劃的記錄格式、加鹽算法，配製用於內層加密的密鑰。審覈團隊不持有外層加密的私鑰，因此只能解密查看彙總後的資料。審覈團隊須排除惡意提交的記錄，分析、討論詞條及編碼的正確性，並確定有效記錄的歸屬。例如，一份方言輸入方案的新詞記錄，除連帶編碼匯入所屬韻書外，屬於通用語的詞彙，另可去除編碼匯入「八股文」詞典。然而該方言特有的詞彙只應進入方言詞典。對詩詞、歇後語、專業術語、常用的固定搭配等也應考慮收集到專門的詞典。

第四環節，審覈後確定的更新內容，加密後推送給本期計劃訂閱者。訂閱者提交一定數量的報表後，用家可獲得解密密鑰，以訪問本期計劃資料庫中已共享的內容。

第五環節，該期共享計劃結束後，在相應代碼庫發出 pull request，將所有 PR 鏈接記錄在共享計劃結果記錄頁（Issues）。