项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 187
核心亮点
- 基于 DeBERTa-v3 模型，PII 识别精度高，误报率低
- 提供极简 Python API，几行代码即可集成到数据处理流程
- 支持批量处理，可扩展性强，适合大规模数据管道
不足之处
- 文档/社区待观察
- 仅支持英文文本，对中文等非英文 PII 识别能力未知
适用场景
- 日志脱敏：在日志收集或展示前自动屏蔽用户敏感信息
- 数据共享：在对外提供数据集前去除个人身份信息以满足合规要求
- NLP 训练：在训练模型前对语料进行 PII 清洗，避免隐私泄露
替代项目
Microsoft Presidio、DataFog、Azure Text Analytics PII
上一篇：easy-dataset
下一篇：OakInk2
同类项目推荐
imbalanced-dataset-sampler
开源
一行替换采样器，让少数类不再被模型忽略
A (PyTorch) imbalanced dataset sampler for oversampling low frequent classes and und···
huashu-bird-sticker
开源
一万多种鸟的贴纸和多语言名字，拿来就能用
花叔开源的全球鸟类贴纸库 · Stickers for all 11,064 living bird species, with names ···
DataProfiler
开源
快速摸清数据底细，自动识别敏感信息
What's in your data? Extract schema, statistics and entities from datasets
iterater
开源
看懂人类改稿套路，让 AI 学会帮你改文章。
Official implementation of the paper "IteraTeR: Understanding Iterative Revision fro···
the_well
开源
15TB 多物理场仿真数据，开箱即用训练科学大模型
A 15TB Collection of Physics Simulation Datasets
chess-openings
开源
统一各平台开局名称，直接拿来标注棋谱
An aggregated data set of chess opening names
upgini
开源
一键搜索外部数据，自动增强 ML 特征，提升模型精度
Data search & enrichment library for Machine Learning → Easily find and add relevan···
synthetic-data-showcase
开源
生成假数据保真又护隐私，还能直接看界面
Generates synthetic data and user interfaces for privacy-preserving data sharing and···
Dialog_Corpus
开源
拿来即用的中英文对话语料，快速训练你的聊天机器人
用于训练中英文对话系统的语料库 Datasets for Training Chatbot System