jellewas/ai4privacy-pii-nl

---
license: apache-2.0
language:
- nl
tags:
- pii
- dutch
- privacy
- ner
- benchmark
- gdpr
size_categories:
- 1K<n<10K
---

# ai4privacy Dutch PII samples

Dutch-language samples extracted from [ai4privacy/pii-masking-300k](https://huggingface.co/datasets/ai4privacy/pii-masking-300k).

Used as evaluation data for [pii-nl-bench](https://huggingface.co/spaces/jellewas/pii-nl-bench).

## Files
- `ai4privacy_nl_validation.jsonl` — **6829 samples** (use for evaluation)
- `ai4privacy_nl_train.jsonl` — **25930 samples** (use for training only)
- `ai4privacy_nl.jsonl` — combined (both splits)

## Validation label distribution
| Label | Count |
|-------|-------|
| TIME | 4033 |
| USERNAME | 2830 |
| IDCARD | 2750 |
| SOCIALNUMBER | 2685 |
| DRIVERLICENSE | 2645 |
| EMAIL | 2635 |
| PASSPORT | 2562 |
| LASTNAME1 | 2476 |
| IP | 2294 |
| BOD | 2273 |
| SEX | 2180 |
| GIVENNAME1 | 2135 |
| POSTCODE | 2061 |
| TEL | 2023 |
| STREET | 2007 |
| CITY | 1986 |
| BUILDING | 1962 |
| STATE | 1939 |
| DATE | 1849 |
| COUNTRY | 1756 |
| TITLE | 1727 |
| PASS | 1664 |
| SECADDRESS | 820 |
| LASTNAME2 | 627 |
| GIVENNAME2 | 541 |
| GEOCOORD | 239 |
| LASTNAME3 | 213 |
| CARDISSUER | 2 |

## Schema
Each line is a JSON object:
```json
{
"id": "ai4privacy_nl_validation_00000",
"text": "the source text with PII",
"language": "nl",
"source": "ai4privacy",
"split": "validation",
"annotations": [
{"start": 10, "end": 25, "text": "Jan de Vries", "label": "FIRSTNAME"}
]
}
```

## Usage
```python
import json
from huggingface_hub import hf_hub_download

path = hf_hub_download(repo_id="jellewas/ai4privacy-pii-nl", filename="ai4privacy_nl_validation.jsonl", repo_type="dataset")
with open(path) as f:
samples = [json.loads(line) for line in f]
print(f"Loaded {len(samples)} Dutch PII validation samples")
```

---
许可证：Apache-2.0
语言：荷兰语（nl）
标签：
- 个人可识别信息（Personally Identifiable Information，PII）
- 荷兰语
- 隐私
- 命名实体识别（Named Entity Recognition，NER）
- 基准测试集
- 通用数据保护条例（General Data Protection Regulation，GDPR）
样本规模类别：1000 < 样本数 < 10000
---

# ai4privacy 荷兰语PII样本集

该数据集的荷兰语样本取自[ai4privacy/pii-masking-300k](https://huggingface.co/datasets/ai4privacy/pii-masking-300k)。

该数据集被用作[pii-nl-bench](https://huggingface.co/spaces/jellewas/pii-nl-bench)的评估数据。

## 文件说明
- `ai4privacy_nl_validation.jsonl`：共**6829条样本**，用于模型评估
- `ai4privacy_nl_train.jsonl`：共**25930条样本**，仅用于模型训练
- `ai4privacy_nl.jsonl`：包含所有数据划分的合并数据集

## 验证集标签分布
| 标签 | 数量 |
|-------|-------|
| TIME（时间） | 4033 |
| USERNAME（用户名） | 2830 |
| IDCARD（身份证号） | 2750 |
| SOCIALNUMBER（社保号码） | 2685 |
| DRIVERLICENSE（驾驶证号） | 2645 |
| EMAIL（电子邮箱） | 2635 |
| PASSPORT（护照号码） | 2562 |
| LASTNAME1（姓氏1） | 2476 |
| IP（IP地址） | 2294 |
| BOD（出生日期，Date of Birth） | 2273 |
| SEX（性别） | 2180 |
| GIVENNAME1（名字1） | 2135 |
| POSTCODE（邮政编码） | 2061 |
| TEL（电话号码） | 2023 |
| STREET（街道） | 2007 |
| CITY（城市） | 1986 |
| BUILDING（楼宇编号） | 1962 |
| STATE（州/省） | 1939 |
| DATE（日期） | 1849 |
| COUNTRY（国家） | 1756 |
| TITLE（头衔） | 1727 |
| PASS（密码） | 1664 |
| SECADDRESS（次要地址） | 820 |
| LASTNAME2（姓氏2） | 627 |
| GIVENNAME2（名字2） | 541 |
| GEOCOORD（地理坐标） | 239 |
| LASTNAME3（姓氏3） | 213 |
| CARDISSUER（发卡机构） | 2 |

## 数据架构
每条数据行均为一个JSON对象，格式示例如下：
json
{
"id": "ai4privacy_nl_validation_00000",
"text": "包含PII的源文本",
"language": "nl",
"source": "ai4privacy",
"split": "验证集",
"annotations": [
{"start": 10, "end": 25, "text": "Jan de Vries", "label": "FIRSTNAME（名字，First Name）"}
]
}

## 使用方法
python
import json
from huggingface_hub import hf_hub_download

# 下载目标数据集文件
path = hf_hub_download(repo_id="jellewas/ai4privacy-pii-nl", filename="ai4privacy_nl_validation.jsonl", repo_type="dataset")
# 逐行读取并解析为JSON样本
with open(path) as f:
samples = [json.loads(line) for line in f]
# 打印加载的样本数量
print(f"已加载 {len(samples)} 条荷兰语PII验证集样本")