May, 2022

ToKen：针对 Few-Shot 仇恨言论检测的任务分解和知识注入

PDF
TL;DR本文根据学科本质，将恶意言论检测问题视为少样本学习任务，并表明将该问题分解成其 “组成” 部分可以取得显着的收益。此外，我们发现从推理数据集（例如 Atomic2020）注入知识可以进一步提高性能。此外，我们观察到训练模型可以推广到分布之外的数据集中，表明任务分解和知识注入相比以前使用的方法具有优越性。具体而言，我们的方法在 16 个样本的情况下比基线提高了 17.83％的绝对收益。
发现论文，激发创造
  • 使用基于知识的概括去除对仇恨言论检测任务的刻板偏见

    针对社交媒体平台上不断增加的仇恨言论传播案例，本文提出了一种基于知识的泛化学习方法，旨在从无结构的文本数据中去除偏差和刻板化的词语，以实现偏差性言论的检测和控制。实验结果表明，与基于传统偏差去除方法的分类器相比，使用本文所提出的方法获得了更好的性能和偏差缓解效果。

    Jan, 2020

  • 利用现有数据解决少样本辱骂内容检测问题

    本文提出了一种两步法的方法，使用现有的包含多种任务相关的虐待性语言检测数据集进行多任务学习，再进行少量的适应性训练以针对新的标签集或语言。实验结果表明这种方法可以提高模型的性能，并且可以在不同语言中实现跨语言识别。

    May, 2023

  • 基于特征提取的仇恨言论识别模型

    本文介绍了 TU Berlin 小组在 2021 年印欧语言仇恨言论与攻击性内容检测共享任务的 1A 和 1B 子任务中采用的不同自然语言处理模型，包括基于循环神经网络的单词和字符级别模型以及基于 Bert 的转移学习方法，并评估了不同模型在比赛中的表现。结果表明，基于转移学习的模型在两个子任务中均取得了最佳结果。

    Jan, 2022

  • 仇恨言论检测任务中需要社会文化知识来选择镜头

    本文介绍了 HATELEXICON，一个针对巴西、德国、印度和肯尼亚的蔑称和仇恨言论目标的词汇表，以帮助模型的训练和可解释性。通过模拟德语和印地语的 few-shot learning，文中展示了选择包含更多社会文化信息的 shot，使用我们的词表来选择 shot 能够提高模型的性能。

    Apr, 2023

  • 构建仇恨言论检测数据集的挑战

    通过对针对性别少数群体的仇恨言论的具体例子，本文分析了仇恨言论检测所面临的问题，并提出了一个以数据为中心的综合框架，以跨七个广泛的维度来概括数据创建流程，同时指出实践者将从按照该框架来创建未来的仇恨言论数据集中获益。

    Sep, 2023

  • 多语言辅助任务训练：缩小语言之间的差距，实现仇恨言论检测模型的零 - shot 迁移

    本文研究了零 - shot 语言跨域转移学习在对抗言检测等任务中所面临的挑战，并提出使用多语种辅助任务（情感分析、命名实体识别和依靠语法信息的任务）进行训练，以提高模型的零 - shot 转移到不同语言的能力，最终实现跨语言之间的言语和文化差异的缩小。

    Oct, 2022

  • 零样本仇恨言论检测假设工程

    本文通过使用自然语言推理模型进行零 - shot 文本分类并结合多种策略以改进英语零 - shot 仇恨言论检测，取得了 79.4% 的检测准确度并比商业系统和基于 BERT 的模型效果更好。

    Oct, 2022

  • 社交媒体仇恨言论检测的迁移学习

    本文介绍了一种机器学习和自然语言处理模型，通过自动识别网页文本中的仇恨言论以及利用迁移学习技术构建了一个识别仇恨言论的表示方法，并开发了一个可视化工具用于多个数据集的简要分析。

    Jun, 2019

  • 建立仇恨言论检测数据集的信息检索方法

    通过信息检索领域的标准方法，采用池化和主动学习技术及任务分解和注释说明技巧，构建了一个更全面的针对 Twitter 中仇恨言论检测的基准数据集，并显示了现有检测模型在这些更广泛的仇恨形式测试中准确度的显著下降。

    Jun, 2021

  • 数据扩增语义关系推理在反亚裔仇恨言论检测中的应用

    本研究提出了一种新方法，利用情感话题标记在自然语言推理框架中增强仇恨言论检测，并在实际数据集上证明了其相对于现有表示学习模型的有效性。

    Apr, 2022