Feb, 2017

探测推特上的攻击和欺负行为: Mean Birds

PDF
TL;DR该论文通过对推特用户的文本、用户和网络属性的提取和分析，提出了一种有效的、可扩展的方法来检测网络欺凌和攻击行为，并通过机器学习分类算法，在 1.6M 条推文上取得了 90% 以上的准确率。
cyberbullyingsocial mediatwittertext analysismachine learning
发现论文，激发创造
  • 在社交媒体中检测网络欺凌和网络攻击

    本研究使用机器学习算法对 Twitter 上的滥用行为进行分类，包括网络欺凌和侵略行为，并通过分析用户、网络和文本属性的差异识别出欺负和侵略者。结果表明，该算法能够以超过 90％的准确率和 AUC 分类这些账户。同时，探讨了 Twitter 标记为滥用行为的用户账户的状况，并研究了 Twitter 可能采用的用户封禁机制的效果。

    Jul, 2019

  • Twitter 辱骂行为的大规模众包和特征化

    该研究对 Twitter 上多种形式的虐待行为进行了 8 个月的综合研究，提出了基于众包的增量迭代方法来注释大规模推文集合，最终确定了一组稳健的标签，从而在其收集和注释的 10 万条推文上展示了相关数据的发现和总结。

    Feb, 2018

  • 网络用户攻击行为调查：社交媒体平台上的内容检测与行为分析

    社交媒体平台的兴起导致了网络攻击行为的增加，其中包括网络欺凌、在线骚扰和冒犯性和仇恨言论的传播。这篇论文通过分析定义的多样性并提出统一的网络攻击定义，深入研究了攻击性内容检测和攻击性用户行为分析领域，揭示了将社会学见解与计算技术相结合以预防网络攻击行为的有效性。

    Nov, 2023

  • 社交媒体文本的网络欺凌自动检测

    本研究旨在探讨使用线性支持向量机通过模拟欺凌者、受害者和旁观者的帖子，实现自动检测社交媒体文本中的网络欺凌，并收集并德细注释英语和荷兰语的训练语料库。我们利用丰富的特征集进行一系列二元分类实验，研究哪些信息源对于这一特定任务最有贡献，同时对参数进行优化，分类器在英语和荷兰语分别获得了 64% 和 61% 的 F1 分数，显著优于基于关键字和词单元的基准系统。

    Jan, 2018

  • 一种用于检测网络欺凌的机器学习集成模型

    社交媒体平台、网络欺凌、自动化系统、集成机器学习和挑衅性推文是本研究的关键词。研究通过采用四种特征提取技术，并结合五种机器学习算法，最终实现了 94.00% 的高准确率，优于传统机器学习模型，并超越了之前在相同数据集上的实验结果。

    Feb, 2024

  • 利用参与者词汇一致性进行网络欺凌识别

    本文提出了一种基于社交互动以及欺凌指标种子词典的模型，通过参与者 - 词汇一致性构建目标函数，可以同时发现欺凌者和受害者以及新的欺凌词汇，并通过 Twitter 和 Ask.fm 数据集展示了该方法的有效性。

    Jun, 2016

  • 测量 #GamerGate：仇恨、性别歧视和欺凌的故事

    本文研究了 2014 年网游世界的 Gamergate 争端，通过对 Twitter 用户发布的数据进行测量，发现参与这一 “Twitter 之战” 的用户往往拥有更多的朋友和关注者，发布具有负面情绪和仇恨的推文，并探讨了 Twitter 的暂停机制处理此类滥用行为的初步措施。

    Feb, 2017

  • 针对网络欺凌分类的细化表征：侵略性、重复性、有意性、可见性和不平衡性

    研究了在线社区中的网络欺凌及其识别方法，并通过构建基于社交网络和语言特征的分类器来提高分类性能。

    Apr, 2020

  • 利用基于深度学习的模型在社交网络中检测网络欺凌的可复现性研究

    本文调查了最近关于 Cyberbullying 检测方面的文献研究结果。通过使用与文献作者相同的数据集，我们成功再现了他们的结果，并在 YouTube 数据集上进行了扩展研究，研究表明基于深度学习的模型优于先前应用于同一 YouTube 数据集的机器学习模型。我们认为，基于深度学习的模型也可以受益于整合其他信息来源，并研究社交网络中用户相关数据的影响。

    Dec, 2018

  • Instagram 社交网络上的网络欺凌事件检测

    研究怎样利用众包方法对 Instagram 上的图片内容进行标注从而基于特征分析与构建分类器以自动监测和检测网络欺凌及侵害。

    Mar, 2015