ACLApr, 2022

深入探索暗网语言

PDF
TL;DR本研究介绍了一个名为 CoDA 的数据集，该数据集包含了一万个文档，旨在帮助进行基于文本的暗网研究。通过利用 CoDA 数据集，本研究对暗网进行了全面的语言分析，比较了暗网与表层网络之间的差异，并评估了不同方法的暗网文本分类性能。最后，本研究还将 CoDA 与现有数据集进行比较，以评估它们在各种应用场景中的适应性。
发现论文，激发创造
  • DarkBERT: 互联网黑暗面的语言模型

    本文介绍了一个在暗网数据上预训练的语言模型 DarkBERT，并通过与其他常用模型的比较表明使用特定于暗网的语言模型在各种用例中具有较好的性能，因此这种模型有望成为未来暗网研究的有价值的资源。

    May, 2023

  • 暗网上合法和非法活动的语言

    本研究通过将毒品相关网站作为测试案例，比较在深网和表面网络中合法和非法毒品销售文本的语言特征，发现它们在部分词性标注的分配和维基百科中命名实体的文本覆盖率方面存在明显差异。

    May, 2019

  • 使用深度学习进行暗网活动分类

    本文介绍了如何利用深度学习技术，提出了一种可用于控制黑暗网络非法活动的搜索引擎，该系统能够检测和提取与黑暗网络中违法活动有关的图像。作者创建了一个名为 darkoob 的全面数据集，并在测试数据集上实现了 94% 的准确性，这项技术有望缓解非法活动带来的各种社会、经济和政治挑战，是联网和社区安全领域的重要技术进步。

    May, 2023

  • 深网和暗网上的活动特征化

    本文研究了 80 个 d2web 论坛上发布的信息，并使用 LDA 识别了讨论主题，使用非参数 HMM 模型跨论坛模拟了主题演变，并检查了动态模式，以识别类似模式的论坛，揭示了这个丰富多样的数据中隐藏的相似性和异常事件。

    Mar, 2019

  • 可见暗网的结构与内容

    本文分析了可通过 Tor 访问到的一组网站即 “暗网” 中的拓扑结构和内容。作者使用监督式机器学习的方法对内容进行分类，研究发现显示的暗网内容中大约有一半属于合法活动，而不合法内容主要分布在欺诈网站、销售假冒产品和毒品市场上。

    Nov, 2018

  • VeriDark: 暗网上的作者验证大规模基准

    本研究旨在构建一个针对网络犯罪的基准测试集 VeriDark，并对三个大规模数据集和一个用户行为数据集进行竞争性 NLP 基线评估及预测分析，以解决现有基于文学文本的作者识别方法无法适用于网络犯罪，且当前缺乏合适数据集和实验设计的问题。

    Jul, 2022

  • 追踪暗网论坛中的话语影响力

    本文介绍了我们在 2021 AMoC 黑客马拉松中的任务，我们的主要贡献是通过语义和时间特征的联合可视化，通过新颖性、短暂性和共鸣等方面对暗网犯罪数据进行分析，了解暗网社区的整体话语影响。

    Feb, 2022

  • 探索性分析大容量网络语料库

    本研究使用 MapReduce 对 Common Crawl Corpus 进行了初步分析，总结出语言分布和 HTML 版本是该数据集中尚未被研究的网页特征之一。

    Sep, 2014

  • 语言的黑暗面：预训练变形器在 DarkNet 中的应用

    通过对 DarkNet 语料库上的分类任务探索，研究比较了不同预训练自然语言理解模型的表现，结果发现句法和词汇神经网络在适应新颖语义时优于预训练 Transformer 模型。

    Jan, 2022

  • CoDA: 自然语言理解的对比增强和多样性促进数据增强

    本文提出了一种名为 CoDA 的新型数据增强框架，通过整合多种转换方法，试图解决文本数据增强中的标签保留问题。实验表明，CoDA 架构在多种自然语言理解任务中平均提高了 2.2% 的效果，相较其他基线方法表现更强

    Oct, 2020