Dec, 2023

TuPy-E：通过新数据集和广泛模型分析检测巴西葡萄牙语社交媒体中的仇恨言论

HTML
PDF
TL;DR社交媒体成为人类交流和表达的重要平台，然而，这些平台上仇恨言论的增加给个人和社区带来了重大风险。鉴于葡萄牙语的丰富词汇、复杂语法和地区差异，检测和解决仇恨言论尤其具有挑战性。为了解决这个问题，我们引入了TuPy-E，用于仇恨言论检测的最大葡萄牙语标注语料库。TuPy-E采用开源方法，促进了研究界的合作。我们使用BERT模型等先进技术进行了详细分析，为学术研究和实际应用做出了贡献。
发现论文，激发创造
  • 基于BERT的在线社交媒体仇恨言论检测的迁移学习方法

    本研究提出了一种基于BERT和Transfer Learning的新型方案，以捕获社交媒体内容中的仇恨语境，并证明该方案能有效解决标注数据不足和存在偏差的问题，使得模型性能得到提升。

    Oct, 2019

  • 基于BERT模型的社交媒体仇恨言论检测及种族偏见缓解

    通过使用预训练语言模型BERT进行迁移学习，本文提出了一种在推特上进行种族主义、性别主义、仇恨性或冒犯性内容检测的算法，并将对算法进行合理地裁剪降低出现倾向性的缺陷。

    Aug, 2020

  • HateBERT: 用于英文恶意语言检测的BERT重新训练

    介绍了HateBERT，这是一个在大规模Reddit评论数据集（RAL-E）上重新训练过的BERT模型，用于检测英语中的辱骂语言。在三个英语数据集中，加入了被封禁社区的帖子进行重新训练，检测攻击性、辱骂性语言和仇恨言论，结果表明HateBERT优于通用BERT模型，并进行了相关的实验。

    Oct, 2020

  • 跨领域迁移的大规模仇恨言论检测

    本文研究 hate speech detection 模型的性能，构建了涵盖五个领域的大规模推文数据集，并利用变换器等算法，获得了至少5%（英文）和10%（土耳其语）的性能提升，在不同培训规模下具有强大的可扩展性和跨领域转移能力。

    Mar, 2022

  • 基于BERT的集成方法用于仇恨言论检测

    本文聚焦于利用包括BERT在内的多个深度模型以及集成学习等技术，对社交媒体上的仇恨言论进行分类，使用三个公开Twitter数据集进行实验并考察多种方法的分类性能，最终以新数据集DHO进行多标签分类，取得了不错的成果，尤其在集成学习方面表现良好，如在Davidson数据集上采用stacking技术得到了97%的F1得分，而在DHO数据集上汇聚集成学习技术得到了77%的F1得分。

    Sep, 2022

  • 传递爱而不是仇恨：削弱仇恨预训练对于仇恨言论检测的重要性

    本文研究了针对原本有恶意情绪的文本进行预训练是否为识别恶意言论最佳的预训练方法，结果表明从目标领域的非恶意文本进行预训练可以提供类似或更好的结果，同时介绍了第一批公开开放的印度语Hindi和Marathi的基于BERT的分类模型 HindTweetBERT 和 MahaTweetBERT 。

    Oct, 2022

  • 社交媒体中的强韧仇恨言论检测: 跨数据集实证评估

    针对在线仇恨言论的自动检测是NLP领域的一个研究热点。本文通过对不同的仇恨言论检测数据集进行微调，分析了数据集通用性的差异，并证明了数据集的组合能够促进强大的仇恨言论检测模型的发展。

    Jul, 2023

  • 印度-雅利安语言中的仇恨言论和冒犯内容检测：基于LSTM和Transformers的对抗

    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

  • 跨语言攻击性语言检测：来自社交媒体的孟加拉语、阿萨姆语和博多语对话仇恨内容的基于BERT的分析

    本文研究了在社交媒体领域中波斯尼亚语、塔吉克语、哈萨克语和蒙古语的仇恨言论检测的详细结果和关键发现。通过使用BERT模型，特别是XML-Roberta-lagre，在大多数情况下，我们的成果表明其性能优于单语模型。我们的团队在任务4-塔吉克语中获得第3名，在波斯尼亚语中获得第5名。

    Dec, 2023

  • 在线仇恨言论检测的差距弥合: X/Twitter 上对同性恋内容的 BERT 与传统模型的比较分析

    我们的研究通过关注同性恋恶言，填补了在线仇恨言论检测研究中的一个重要空白。通过利用先进的情感分析模型，尤其是BERT，和传统的机器学习方法，我们开发出了一个细致入微的方法来识别X/Twitter上的同性恋恶言内容。这项研究具有重要意义，因为同性恋恶言在检测模型中一直存在较低的代表性。我们的发现表明，虽然BERT优于传统方法，但验证技术的选择会影响模型的性能。这凸显了在检测微妙仇恨言论时上下文理解的重要性。通过发布我们所了解到的关于同性恋恶言检测的最大开源标记英文数据集，分析各种模型的性能和我们最强的基于BERT的模型，我们旨在提高在线安全性和包容性。未来的工作将扩展到更广泛的LGBTQIA+仇恨言论检测，解决多样性数据集来源的挑战。通过这一努力，我们为打击在线仇恨言论作出贡献，倡导更包容的数字景观。我们的研究不仅为改进先前研究结果提供了有关有效检测同性恋恶言内容的见解，而且为未来仇恨言论分析的进一步发展奠定了基础。

    May, 2024