保护脆弱声音：用于自披露检测的合成数据集生成
摘要
社交平台如 Reddit 拥有兴趣相投的社区网络，其中大量帖子和评论可用于推断用户的个人信息标识符（Personal Information Identifiers, PIIs）。尽管此类自披露可导致有益的社交互动，但也带来隐私风险和线上伤害的威胁。针对 PIIs 风险自披露的识别与检索研究受限于缺乏开源标注数据集。为促进 PIIs 透露文本检测的可重复研究，我们开发了一种新方法，以安全方式创建 PIIs 透露数据的合成等效物。我们的贡献包括为脆弱人群创建 19 类 PIIs 透露类别的分类学，并从三个文本生成大型语言模型（LLMs）——Llama2-7B、Llama3-8B 和 zephyr-7b-beta——中生成并发布了带顺序指令提示的合成 PIIs 标注多文本片段数据集，以模拟原始 Reddit 帖子。我们评估了该方法生成此合成数据集的效用，通过三个指标：首先，我们要求可重复性等效，即在合成数据上训练模型的结果应与在原始帖子上训练的模型结果相当；其次，我们要求合成数据无法通过常见机制（如 Google 搜索）与原始用户关联；最后，我们希望合成数据与原始数据难以区分，即训练的类人评估者无法将它们区分开来。我们在 https://netsys.surrey.ac.uk/datasets/synthetic-self-disclosure/ 发布了数据集和代码，以促进针对线上社交媒体中 PIIs 隐私风险的可重复研究。
引用
@article{arxiv.2507.22930,
title = {Protecting Vulnerable Voices: Synthetic Dataset Generation for Self-Disclosure Detection},
author = {Shalini Jangra and Suparna De and Nishanth Sastry and Saeed Fadaei},
journal= {arXiv preprint arXiv:2507.22930},
year = {2025}
}
备注
15 pages, 4 Figures, Accepted in "The 17th International Conference on Advances in Social Networks Analysis and Mining -ASONAM-2025"