更新时间：2026-08-15 00:02:17
已登记
详细信息
-
知识产权名称
大语言模型生成文件检测训练数据
-
登记编号
DIP2024000022547
-
申请人
杭州君同未来科技有限责任公司
-
登记类型
首次登记
-
登记有效期
3年
-
申请时间
2024-12-10 09:56:36
详细信息
-
所属行业
信息传输、软件和信息技术服务业
-
交易状态
待交易
-
数据规模
29145
-
更新频次
每年更新
-
应用场景
该数据集能够在多个应用场景中高效检测各类大语言模型生成的文本，包括学术论文、新闻报道、社交媒体内容和虚假评论。在学术诚信方面，它可用于防止论文抄袭和自动生成内容作弊；在媒体与信息安全领域，可帮助识别虚假新闻，遏制信息操纵；在在线平台治理中，助力社交媒体内容审核，维护社区真实互动；在数字版权管理和AI内容监管场景下，支持原创内容保护，防止未经授权的AI生成文本滥用。
-
算法规则简要说明
(1)数据来源：学生撰写的多篇论文和AI生成的文章。 https://github.com/wpc666/LLM-detect (2)数据集结构：该数据集为1个csv文件，共有29164条样本，其中表格第1列表示样本序号；第2列为样本内容；第3列为样本标签，一共分为两个类别，“LLM模型”表示由大语言模型生成，“人类”表示有人工生成，第4列为样本长度，第5列为样本的训练损失。 (3)文本标准化处理：对收集到的文本数据进行标准化处理，包括去除多余空格、标点符号标准化、大小写统一以及停用词去除。 (4)关键语言特征提取：从文本中提取关键语言特征，包括词频统计、TF-IDF特征、句法依赖关系、上下文嵌入表示（如BERT向量）、情感分析特征以及与生成文本检测相关的特征，包括语言模型标志性生成模式、不自然的词序排列等。这些特征有助于模型更准确地识别和区分真实文本与生成文本。 (5)深度学习架构选择：采用基于Transformer的深度学习架构，如BERT或RoBERTa，用于文本嵌入与分类任务。 (6)模型训练与评估：在标注好的生成文本与真实文本数据集上训练分类模型，通过监督学习的方式让模型学习识别生成文本的特征。通过交叉验证和使用不同性能指标（如准确率、F1分数）评估模型的检测能力。 (7)超参数调优：进行超参数调优，包括学习率、批量大小、隐藏层维度、注意力头数等 (8)模型优化与验证：根据评估结果，对模型进行正则化等优化措施。在独立的测试集上验证模型的性能，确保模型在未见数据上也能表现良好。
-
更新频次
每年更新
-
存证平台
信证链数据资产存证公证平台
