Oct, 2022

PolyHope: 基于推特的两级希望言论检测

PDF
TL;DR本文介绍了一个用于分类 Twitter 推文的希望言论数据集，并提供了基于不同学习方法的多项基准测试以进行评估和分析。研究中发现，使用严格的注释过程并提供详细的注释指南可以提高数据集的质量。同时，使用上下文嵌入模型进行希望言论检测有更高的性能表现。
hopesocial media analysishope speech datasetclassifying hopemachine learning
发现论文，激发创造
  • 在社交媒体平台上的希望言论检测

    本研究旨在通过机器学习方法对希望言论、不希望言论和中立言论分类，并在经过重新标记数据集后，通过传统机器模型与预训练模型的实验比较获得更高的准确率。

    Nov, 2022

  • 超越负面性：关于希望言论检测的重新分析和后续实验

    研究旨在寻找计算效率更高、可比较 / 优于现有方法的希望言论检测方法，并公开我们的代码库。

    May, 2023

  • 使用跨语言表示学习器进行多语言混合编码希望言论检测

    本研究旨在利用机器学习、深度学习和转换器等自然语言处理技术，分别分析英语、泰米尔语和马拉雅拉姆语中社交媒体帖子或评论包含希望言论的可能性，并发现 XLM-Roberta 技术能够达到最佳的分析效果。

    Feb, 2021

  • 使用印度化简和 Transformer 进行希望言论检测

    本文介绍了使用上下文嵌入和预训练 transformer 模型的方法来检测 HopeEDI 数据集中的 Hope speech。实验表明，使用预训练 transformer 模型的方法在英语、泰米尔语和马拉雅拉姆语上均优于使用逻辑回归、随机森林、SVM 和 LSTM 的方法，F1 得分最高值达到了 0.93。

    Feb, 2021

  • 希望言论检测：和平之声的计算分析

    该论文通过对使用 youtube 的消息发文的语料 (来自 392460 个用户的英文评论) 的分析，研究了 2019 年 2 月 14 日在克什米尔的普尔瓦马恐怖袭击事件。该文三个主要贡献是：首先，提出了结合语言聚类的文档语言识别技术，具有极少的人工注释要求，表明该方法在各种低资源语言数据集中均具有可行性和效用。第二，对亲和和亲战意图的时间趋势进行了分析。最后，在两个国家军事紧张局势加剧的背景下，提出了自动识别可以缓解不友好氛围的用户生成的网络内容的重要性。

    Sep, 2019

  • 高度泛化的跨语言仇恨言论检测模型

    该研究旨在使用多语言数据集进行多语言仇恨言论检测和分类，并通过评估方法和语言无关的嵌入技术提高分类性能。

    Jan, 2022

  • 利用堆叠分类系统在微博数据中检测金融机会

    我们提出了一种新的系统，用于检测微博社交网络中的积极预测，这是一种金融情绪，类似于 Plutchik 理论中的 “预期”，通过应用自然语言处理技术提取有价值的语言信息，利用三层堆叠的机器学习分类系统和复杂的特征来实现高检测精度。在手动注释了金融情绪和股票发生标签的数据集上的实验结果表明，我们的系统在金融机会检测方面表现出了令人满意和有竞争力的性能，精度值高达 83%。这个有希望的结果证明了我们的系统在支持投资者决策方面的可用性。

    Mar, 2024

  • 仇恨言论分类的预测不确定性估计

    为了更好地检测和过滤仇恨言论，需要开发出可以检测仇恨言论并帮助用户理解何时越过界限的机器学习模型。该研究使用深度神经网络和蒙特卡洛 dropout 正则化方法来进行预测和评估，以可靠地检测仇恨言论并提高分类可靠性和准确性。

    Sep, 2019

  • 利用多语言转换器来进行仇恨言论检测

    该论文基于 Transformer 语言模型，研究了在社交媒体文本中检测和分类仇恨的问题，并将其固定为三类，同时证明了多语言训练模式的有效性和特定特征对体系结构分类表现的影响。

    Jan, 2021

  • 网络有害言论的多维度识别视角：不只是仇恨

    本文介绍了一种使用多个标签注释恶意在线言论的方法，强调了注释应该是细致、准确的。作者发布了一个高质量的数据集，使用六个标签注释了超过 40,000 条有关移民的推文，在此数据集上训练模型的表现优于基准数据集。

    Oct, 2022