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

通过深度学习方法，特别是采用 BERT 和 BiLSTM 架构，我们的研究介绍了一种针对网络霸凌问题的深度学习方法，可以有效地分析大量帖子并预测潜在的网络霸凌行为。结果表明，我们的 hateBERT 模型在五个模型中表现卓越，达到了 89.16% 的准确率，为实现更安全和更包容的数字化环境作出了重要贡献。

Apr, 2024

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

本研究针对社交网络文本数据中含有的对抗性攻击内容，特别强调仇恨言论的网络欺凌进行检测，利用基于深度学习的方法和纠错算法，实现了显著结果。LSTM 模型在固定的 100 个时期内表现出色，准确率、精确率、召回率、F1 分数和 AUC-ROC 分数分别达到了 87.57%、88.73%、87.57%、88.15% 和 91%。此外，LSTM 模型的性能超过了先前的研究。

May, 2024

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

社交媒体、网络欺凌、机器学习、大型语言模型和 RoBERTa 在网络欺凌检测方面的应用和效果的研究。

Feb, 2024

使用深度学习策略，本研究构建了一个双层双向长短时记忆（Bi-LSTM）模型，通过多种优化器和 5 折交叉验证来鉴别孟加拉语中的网络欺凌，结果显示所提出的模型在动量加速随机梯度下降（SGD）优化器下的准确率为 94.46%，在 Adam 优化器下的准确率为 95.08%，F1 分数为 95.23%，并在 5 折交叉验证中具有 94.31% 的准确率。

Jan, 2024

研究提出了一种跨平台的基于 Transformers 和对抗学习的新型框架 XP-CB，通过增强 Transformer 并利用源平台和目标平台的未标记数据来提取共同的表示形式并防止特定于平台的训练，研究取得了 BERT 和 RoBERTa 的效果验证

Apr, 2022

本文提出了一种基于 Res-CNN-BiLSTM 混合深度学习模型的方法，用于分析社交媒体上的文本语言数据，识别并处理基于宗教、种族、年龄和性别等因素的网络欺凌行为，以对心理健康问题进行干预。

Apr, 2022

本研究提出了一种采用公正性约束的模型训练方案，旨在缓解网络暴力检测模型中的意外偏见，证明了各种类型的意外偏见可以成功地减轻而不损害模型的质量。

May, 2020