Датасет · FredZhang7
Мультиязычный корпус спама и мошеннических писем
FredZhang7/all-scam-spam
Более 42 тысяч писем и сообщений на 43 языках с бинарной разметкой спама для обучения антиспам-фильтров.
Что внутри
В наборе собрано 42 619 предобработанных текстовых сообщений и электронных писем на 43 языках с меткой спама (is_spam=1 или 0). Часть данных из 1 040 сбалансированных строк (обычные переписки и скам-письма примерно на 10 языках) автор собрал и разметил вручную с помощью ChatGPT, а остальное обработано скриптами на базе корпусов SpamAssassin и Enron.
Что можно сделать
- Обучение многоязычных классификаторов спама и фишинговых рассылок
- Проверка моделей в режиме zero-shot классификации на редких языках
- Фильтрация входящих сообщений и писем в почтовых клиентах и мессенджерах
- Задачи
- Классификация текста, Zero-shot классификация
- Языки
- no, Испанский, so, ca, af, Итальянский, Нидерландский, Хинди и ещё 4
- Размер
- 10K–100K записей
- Скачиваний за месяц
- 511
- Лайков
- 16
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("FredZhang7/all-scam-spam")