欺诈文本分类微调（二）：生成正向数据集

1. 引言

前面一篇文章欺诈文本分类微调（一）：基座模型选型记录了选择基座模型的过程，本文主要来介绍下如何获得训练模型需要的数据集，特别是与诈骗有关的对话数据集。

我们需要什么样的数据集呢？

• 文本形式：会议场景的欺诈分析主要针对参会人的发言内容进行文本分析。
• 对话格式：会议场景的诈骗是通过人与人之间的对话发生的，对话格式要比事后报道更贴合。
• 语言：最好是中文

因此，需要先查找可用的数据集。

2. 查找数据集

我们想到了以下几种途径：

1. 去HuggingFace以及modelscope等开源模型网站上查找是否有相关领域的数据集。
2. 去一些防诈骗网站（例如：反诈中心）上找公开介绍的诈骗案例，或者可直接下载的数据集。
3. 让chatgpt来生成诈骗话术。

开源网站

我们在开源网站使用fraud关键字进行搜索，最终找到的与欺诈相关的数据集只有下面几个：