基于英语数据集构建目标语言网络诱骗检测器:一种机器翻译流水线
《Information》:Building Target-Language Cybergrooming Detectors from English-Language Datasets: A Machine Translation Pipeline
【字体:
大
中
小
】
时间:2026年08月28日
来源:Information 4.3
编辑推荐:
自动化的网络诱骗(cybergrooming)检测可以支持对大量在线通信的审查,但公开的检测数据集和方法仍然以英语为中心。本研究提出了一种可复现的工作流程,用于从英语资源构建目标语言的网络诱骗数据集和检测模型,并以德语为例进行演示。据我们所知,这是首篇公开发表的系统性构建并评
自动化的网络诱骗(cybergrooming)检测可以支持对大量在线通信的审查,但公开的检测数据集和方法仍然以英语为中心。本研究提出了一种可复现的工作流程,用于从英语资源构建目标语言的网络诱骗数据集和检测模型,并以德语为例进行演示。据我们所知,这是首篇公开发表的系统性构建并评估德语网络诱骗数据集和检测模型的研究。四个公开可用的英语网络诱骗数据集被转换为统一的结构,并翻译为非正式的德语聊天语言。翻译质量使用 COMETKiwi 和 MetricX 分数的综合得分 CometricX 进行评估。质量较低的消息经过重新翻译和重新评估。网络诱骗消息还通过德语-加泰罗尼亚语回译进行了增强。生成的数据集(含增强版本和不增强版本)被用于训练和评估基于嵌入的线性支持向量机(SVM)和 ModernBERT 模型。评估包括翻译后的测试数据以及来自五起已结案执法案件的 156 段手动标注的德语对话。Perverted Justice Zig ChitChat 数据集(PJZC)获得了最高的综合质量估计分数,并在真实世界德语对话上表现出最稳健的检测性能。相比之下,在机器翻译测试数据上的表现高估了真实世界的检测性能。此外,回译仅带来了有限且不稳定的改进。总体而言,所提出的工作流程为开发目标语言的网络诱骗检测器提供了一个实用的起点,同时强调了源数据集的谨慎选择以及使用真实目标语言数据进行评估的重要性。
生物通微信公众号
生物通新浪微博
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