高难度脱敏测试集:1200 条虚构句

自然语言
0 下载
2 浏览
2026-10-28

数据集简介

设计目标与难点设置

该数据集的核心用途是测试简单脱敏工具(redaction tools)在真实文本中的识别边界。与常规脱敏语料不同,它不满足于让工具识别标准格式的姓名、邮箱和电话,而是刻意引入三类变形:部分邮箱地址被拆成单词拼写,或以括号包裹的方式嵌入句子;部分人物信息不以直呼其名的方式出现,而是通过上下文间接指代。这些设计使得仅依赖固定模式匹配的工具难以完整覆盖敏感信息,从而暴露简单脱敏流程的盲区。

数据构成与标注方式

数据集共包含 1,200 条虚构商务句子,按用途划分为两部分:960 条用于训练,240 条用于测试。每条句子中的个人细节均以字符位置(character positions)进行标注,而非简单的段落级或句子级标签。这种标注粒度允许研究者精确比对工具输出与标准答案之间的字符级差异,从而量化脱敏的召回率与误删率。训练集与测试集的划分比例约为 4:1,便于在统一基准上开展模型调优与效果验证。

获取方式与引用

数据集通过 Harvard Dataverse 公开发布,落地页为 https://doi.org/doi:10.7910/DVN/UN13YP,用户可通过该页面获取数据文件。建议在研究中引用时注明数据集标题与 DOI:10.7910/DVN/UN13YP。

基本信息

记录数量1,200 条句子(960 条训练 + 240 条测试)
文件大小未知
文件格式未知
数据来源Harvard Dataverse
数据规模1,200 条句子
训练集960 条
测试集240 条
标注方式字符位置
DOI10.7910/DVN/UN13YP
数据落地页https://doi.org/doi:10.7910/DVN/UN13YP
发布日期2026-10-28
脱敏测试隐私保护文本标注自然语言处理基准数据集

上架信息

数据集市运营
平台统一选品上架,经质量审核后公开
0 次下载

价格

免费