VeriDark：暗网作者身份验证的大规模基准
计算与语言
2022-11-02 v2
摘要
暗网是非法活动的温床，用户在不同的市场论坛上交流以交换商品和服务。执法机构受益于执行作者身份分析的取证工具，以便根据其文本内容识别和刻画用户画像。然而，作者身份分析传统上使用的是以文学文本为特征的语料库，例如小说或同人小说的片段，这可能不适用于网络犯罪背景。此外，少数将作者身份分析工具用于网络犯罪预防的工作通常采用特设的实验设置和数据集。为解决这些问题，我们发布了 VeriDark：一个由三个大规模作者身份验证数据集和一个作者身份识别数据集组成的基准，这些数据集来自暗网相关 Reddit 社区或热门非法暗网市场论坛的用户活动。我们在三个数据集上评估了有竞争力的 NLP 基线，并对预测结果进行分析以更好地理解此类方法的局限性。我们在 https://github.com/bit-ml/VeriDark 公开提供数据集和基线。
引用
@article{arxiv.2207.03477,
title = {VeriDark: A Large-Scale Benchmark for Authorship Verification on the Dark Web},
author = {Andrei Manolache and Florin Brad and Antonio Barbalau and Radu Tudor Ionescu and Marius Popescu},
journal= {arXiv preprint arXiv:2207.03477},
year = {2022}
}
备注
Accepted at the 36th Conference on Neural Information Processing Systems (NeurIPS 2022) Track on Datasets and Benchmarks. 21 pages, 4 figures, 11 tables