该论文提出了一种在社交媒体上识别仇恨内容的检测方案，并使用带有用户相关信息的各种特征以及来自文本内容的词频向量输入到一组循环神经网络分类器中，经实验证明该方法的有效性不仅可以成功区分仇恨言论和正常文本，而且分类的准确性也高于现有的最先进算法。

Jan, 2018

研究 ERH 上下文挖掘的特殊领域，汇总了 51 项相关研究，着重于自然语言处理、社区检测和视觉文本模型，提出了推荐给研究人员、政府和行业的实施路线图，旨在建立更安全的网络空间。

Jan, 2023

我们开发了一个系统，可以使用自然语言处理和机器学习技术自动检测在线圣战恨言，准确度达到 80% 以上。该系统基于 2014 年 10 月至 2016 年 12 月收集的 45000 条互联网上的 Twitter 信息进行训练，并对语料库中的圣战主义修辞进行了定性和定量分析，考察了 Twitter 用户网络，描述了训练系统的技术过程，并给出了使用实例。

Mar, 2018

本文提出利用深度学习方法，结合各种嵌入技术，在社交媒体中检测各种类型的仇恨言论，特别是在包含有限上下文信息的推文中，这是一种非常具有挑战性的任务，三个公开数据集的实验结果表明精确度和 F1 得分都有显著提高。

May, 2020

本文提出了一个机器学习框架，利用元数据、社交网络和时间特征来检测极端用户，以及预测社交媒体中内容的采用者和互动的反应，特别是在推特平台的极端用户检测、普通用户采用极端内容的预测以及用户是否会互相联系的预测上，表现非常优异，预测准确率分别高达 93%、80% 和 72%。

May, 2016

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

机器学习和自然语言处理可以通过预测实时的恐怖袭击来帮助打击恐怖主义，本研究通过使用社交网络文本来提取必要信息建立合适的恐怖袭击预测数据集，实验发现现有解决方案在地点识别方面准确率较低，我们的解决方案得以解决，并将扩展解决方案以提取日期和行动信息来实现项目目标。

Aug, 2023

利用 NLP 和深度学习技术，在孟加拉语中建立了一个新颖的数据集，进而成功地检测到了种族主义评论，采用了 RNN、LSTM 和 MCNN-LSTM 模型，并利用集成方法提高了整体性能。

Jan, 2024

本文设计了一个自动检测计划，利用与用户名、个人资料和用户文本相关的三组信息，确定给定用户名是否属于极端主义用户，该方案提出了高度表征潜在在线极端主义的特征，适用于 Twitter，能够有效地识别极端主义用户。

Feb, 2019

研究使用传统机器学习技术和深度神经网络模型在社交媒体文本数据中识别情绪，并构建一个双向长短记忆神经网络（BiLSTM）和双向门循环单元（BiGRU）的集成模型，其中 BiGRU 模型表现最佳，准确率达 87.53％。此结果将有助于开发一个可视化情绪波动的决策工具。

Feb, 2023