社交媒体网络欺凌对人类生活有不利影响。本文提出了一种可信赖的用于社交媒体网络欺凌检测的 LSTM-Autoencoder 网络，使用合成数据。通过生成机器翻译数据，我们展示了一种解决数据可用性困难的前沿方法。我们使用提出的模型和传统模型，包括 LSTM、双向 LSTM、LSTM-Autoencoder、Word2vec、BERT 和 GPT-2 模型，在 Hindi、Bangla 和英文数据集上进行了实验性的攻击性评论识别。我们使用 f1-score、准确度、精确度和召回率等评估指标来评估模型性能。我们的模型在所有数据集上性能优于其他模型，最高准确度达到了 95%。在本文中使用的数据集上，我们的模型实现了最新的研究成果。

Aug, 2023

本文中提出了一些方法来检测印度语中的恶意文本，使用 CNN、LSTM 和 BERT 等深度学习方法，并发现使用 BERT 的模型性能最佳。

Jan, 2021

该研究在五种不同语言中展开了对仇恨言论的广泛比较分析，使用多种预训练模型评估其在这些语言中识别仇恨言论的性能，并为多语言环境下构建强大的仇恨言论检测系统提供了有益的见解。

Dec, 2023

本研究提出了基于 LSTM 和注意力机制，通过对自我主观评估访谈记录进行分析来评估心理压力。我们利用自动生成标签的方式来远程监督训练集以扩大我们的语料库。 结果表明，双向 LSTM 模型是最佳模型，精度为 74.1％，F 分数为 74.3％。距离监督微调提高了 1.6％的精度和 2.1％的 F 分数。注意力机制帮助模型选择信息化的单词。

May, 2018

我们提出了一种人类轨迹预测模型，该模型将长短期记忆（LSTM）网络与注意力机制相结合。通过使用注意力分数确定模型在进行预测时应专注于输入数据的哪些部分，我们可以提取出注意力分数并将其整合到轨迹预测模块中，以预测人类未来轨迹。我们的模型在拥挤空间中的行人未来轨迹预测中表现出比社交 LSTM 算法更好的性能。

Sep, 2023

研究采用基于 mBERT 的神经网络技术，对资源受限的印地语社交媒体上的言论进行多标签分类，结果表明该模型的绩效超过了现有的基准模型，成为了印地语言领域检测敌意的最佳模型。

Jan, 2021

本文探索了两种从文档级数据转移知识的方法，以提高方面级情感分类的性能。我们在 SemEval 2014、2015 和 2016 年的 4 个公共数据集上证明了我们方法的有效性，并显示注意力机制的 LSTM 从文档级知识中受益。

Jun, 2018

使用卷积神经网络与长短时记忆网络，我们成功实现了最先进的 Twitter 情感分类器，通过海量无标注数据来预训练词向量，然后使用少量无标注数据通过远程监督来微调嵌入向量，最终在 SemEval-2017 Twitter 数据集上对 CNN 和 LSTM 进行了再次微调，使用了集成学习方法，我们在所有五个英文子任务中均排名第一。

Apr, 2017

通过使用编码器和解码器技术（encoder decoder），作者们提出了一种基于机器学习的模型来检测社交媒体中孟加拉语言使用者的仇恨言论。该模型使用了 1D 卷积层来提取和编码本地特征，并使用了注意机制、LSTM 和 GRU 解码器来预测仇恨言论的类别。经过评估，最佳的预测精度达到了 77%。

Mar, 2022

使用长短期记忆（LSTM）深度神经网络和注意力机制，提出了 T-PAN 框架来解决主题态度检测问题，分为两个阶段处理，第一阶段判断主观性，第二阶段判断态度，实验结果显示该框架取得了更优秀的效果。

Jan, 2018