
NVIDIA发布日本金融合成人格数据集

金融领域使用真实数据面临隐私法规、合规要求和领域知识等多重限制。为在不用真实数据的前提下模拟多样、现实的金融场景,Elith 与 NVIDIA 发布了 Nemotron-Personas-Finance-Japan。这是首个百万级记录规模的开放人格数据集,将日本官方统计与家庭金融和金融素养数据配对。
数据集包含 900万条人格(100万条记录 × 9个人格),以自然日语书写。每条记录含 50个字段:9个人格字段、11个人格属性、30个基于官方人口与劳动统计的上下文字段。总量约 15亿token,其中人格token约7.5亿;约95万个独特姓名、1600多个职业类别。覆盖人口、地区、资产分布和人格特质等维度,人格类型包含职业、体育、艺术、旅行、烹饪、金融、金融行为和金融担忧。人格属性则以自然语言描述文化背景、技能专长、职业目标、兴趣、家庭/父母/财务背景、对金钱的态度和财务规划。
构建流程使用 NVIDIA 的 NeMo Data Designer 合成数据生成系统,配合 NeMo SDG-PGMs(Apache-2.0)概率图模型框架实现统计接地生成,以及 gemma-4-31B-it(Apache-2.0)生成日语文本。设计过程中纳入了 Sompo Japan、Tokio Marine Holdings、Bank of Fukuoka、Mizuho Financial Group、Meiji Yasuda Life Insurance 和金融数据利用协会(FDUA)的反馈。
为使数据更适合 AI 训练,团队在官方统计基础上做了细化:学历引入更细粒度,职业补充企业主和专业职业等类别,建模了统计中较少出现的学生、退休和失业阶段,加入家庭层面的金融与实物资产,并纳入互联网/智能手机使用和金融素养以刻画消费者轮廓。所有人格均为完全合成,不指向真实个人,姓名遵循真实日语命名规律,人口与家庭财务分布来自官方统计和公开调查,隐私风险较低。
数据集以 CC BY 4.0 许可发布,可商用。它面向在日本构建金融 AI 的团队,可用于构建客服代理、评估销售对话和营销方案、在 NeMo User Sim 中运行用户模拟、对面向客户的 AI 进行红队测试。相比 Nemotron-Personas-Japan,人格数量多 50%,字段从 22 个增至 50 个。还可用于多轮对话数据生成、金融领域特定 AI 开发,以及城乡、年龄、教育背景和经济状况等维度的偏见测试与公平性评估。
这次发布提供了一种减少隐私风险、贴近日本真实人口分布的合成数据来源,有助于降低对西方中心数据集的依赖,支持主权 AI 的开发。同日发布的 Nemotron-PII-Japan 包含 10 万份带个人身份信息标注的合成日语商务文档,用于训练和测试 PII 检测与脱敏模型。两个数据集可搭配使用:一个模拟客户,一个验证管道如何保护数据。下载可执行:load_dataset(“nvidia/Nemotron-Personas-Finance-Japan”)。

