library_name: transformers tags:

• 钓鱼检测
• 二分类
• bert
• 自然语言处理

基于BERT-Base-Uncased微调的钓鱼网站分类模型卡

模型详情

模型描述

该模型是基于BERT-Base-Uncased微调的钓鱼网站分类模型，可根据文本输入预测网站属于"安全"或"不安全"类别。

• 开发者: shogun-the-great
• 模型类型: 二分类（安全 vs 不安全）
• 支持语言: 英语
• 许可证: Apache-2.0（或指定您的许可证）
• 微调基础模型: google/bert-base-uncased

模型来源

• 训练数据集: shawhin/phishing-site-classification

使用场景

直接使用

该模型可直接用于钓鱼检测，将文本分类为"安全"和"不安全"两类。典型应用场景包括：

• 集成到浏览器扩展中实现实时网站分类
• 分析文本数据中的钓鱼特征指标

下游任务

用户可针对特定二分类任务或相似领域数据集进行进一步微调。

非适用场景

本模型在以下情况可能表现不佳：

• 非英语文本
• 对抗性钓鱼攻击或高度混淆的文本
• 与文本分类无关的任务

偏差、风险与限制

潜在偏差

模型预测结果受微调数据集影响，若训练数据存在偏差，预测结果可能反映相应偏差。

风险提示

• 误报风险：合法网站被错误标记为钓鱼网站
• 漏报风险：部分钓鱼网站可能无法被检测
• 可能面临对抗样本攻击

使用建议

• 定期更新数据集和模型以应对新型钓鱼模式
• 建议与其他安全措施配合使用以增强检测效果

快速开始

可直接从Hugging Face Hub加载微调后的模型：

from transformers import AutoTokenizer, AutoModelForSequenceClassification

# 从Hugging Face Hub加载分词器和模型
model_name = "shogun-the-great/finetuned-bert-phishing-site-classification"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

# 使用示例
text = "输入登录凭证即可领取免费奖励！"
inputs = tokenizer(text, return_tensors="pt", truncation=True)
outputs = model(**inputs)

# 获取预测标签
logits = outputs.logits
prediction = logits.argmax(dim=-1).item()
print("预测结果:", "不安全" if prediction == 1 else "安全")