基于污染词元的大语言模型数据集保护方法、装置、电子设备、可读存储介质和计算机程序产品

本申请公开一种基于污染词元的大语言模型数据集保护方法、装置、电子设备、可读存储介质和计算机程序产品，属于人工智能技术领域。该方法包括：对原始数据集每条数据的数据项统计生成污染数据统计模板，获取原始数据集的高频常用词和语法结构特性；生成包括高频常用词和污染词元的污染词元序列，其中，污染词元包括：对常用字符排列生成的现实不存在的自造词以及对应的词性；根据原始数据集的语法结构特性使用污染词元序列生成污染语句；按照污染数据统计模板中记录的存在概率，将污染语句填充到原始数据集每条数据相应的数据项，生成污染数据集；利用污染语句以及污染数据集对原始数据集进行污染，并存储污染位置，生成保护数据集。