Jan, 2024

自述恶霸：情感辅助的网络欺凌检测及解释

PDF
TL;DR通过开发首个可解释模型 mExCB，基于混合编码语言的 BullyExplain 数据集，自动检测网络欺凌并辨识解释、目标群体以及情感分析，超越多个基准模型和现有模型的综合任务框架。
cyberbullyingcode-mixed languagesinterpretable modelsmulti-task modelbullyexplain dataset
发现论文，激发创造
  • 模因分析：通过多模态解释增进对网络欺凌的认识

    通过提出多模式解释与 CLIP 投影的多模式共享私有多任务方法，首次为混合代码网络欺凌迷因引入了一种鲜明的基准数据集，并通过实验结果证明，训练多模式解释可以提高生成文本解释的性能，并更准确地识别支持决策的视觉证据，从而可靠地提升性能。

    Jan, 2024

  • 社交媒体文本的网络欺凌自动检测

    本研究旨在探讨使用线性支持向量机通过模拟欺凌者、受害者和旁观者的帖子，实现自动检测社交媒体文本中的网络欺凌，并收集并德细注释英语和荷兰语的训练语料库。我们利用丰富的特征集进行一系列二元分类实验，研究哪些信息源对于这一特定任务最有贡献，同时对参数进行优化，分类器在英语和荷兰语分别获得了 64% 和 61% 的 F1 分数，显著优于基于关键字和词单元的基准系统。

    Jan, 2018

  • 基于深度学习的孟加拉语网络欺凌检测

    使用深度学习策略，本研究构建了一个双层双向长短时记忆（Bi-LSTM）模型，通过多种优化器和 5 折交叉验证来鉴别孟加拉语中的网络欺凌，结果显示所提出的模型在动量加速随机梯度下降（SGD）优化器下的准确率为 94.46%，在 Adam 优化器下的准确率为 95.08%，F1 分数为 95.23%，并在 5 折交叉验证中具有 94.31% 的准确率。

    Jan, 2024

  • 使用大型语言模型进行网络欺凌检测

    社交媒体、网络欺凌、机器学习、大型语言模型和 RoBERTa 在网络欺凌检测方面的应用和效果的研究。

    Feb, 2024

  • 社交媒体平台感知的对抗编码在网络欺凌检测中的应用

    研究提出了一种跨平台的基于 Transformers 和对抗学习的新型框架 XP-CB，通过增强 Transformer 并利用源平台和目标平台的未标记数据来提取共同的表示形式并防止特定于平台的训练，研究取得了 BERT 和 RoBERTa 的效果验证

    Apr, 2022

  • 跨多个社交网络平台检测网络欺凌的深度学习

    本研究采用深度学习模型和迁移学习方法，对包括 Formspring、Twitter 和 Wikipedia 等多个社交媒体平台的数十万条帖子进行了系统分析，并成功地解决了仅针对单一平台、仅针对特定主题和基于手工特征等问题，为针对多个主题的网络欺凌检测提供了有用的见解。

    Jan, 2018

  • 基于合成数据的社交媒体网络的可信 LSTM-Autoencoder 网络用于网络欺凌检测

    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

  • DeepHateExplainer: 可解释的低资源孟加拉语仇恨言论检测

    该论文提出了一种名为 DeepHateExplainer 的方法，利用神经集成（即单语言孟加拉 BERT-base、多语言 BERT-cased/uncased 和 XLM-RoBERTa）从计算资源匮乏的孟加拉语中分类政治、个人、地缘政治和宗教仇恨，通过敏感度分析和层内关联传播技术（LRP）鉴别出最重要和最不重要的术语，评估得分表明，该方法对底层的机器学习和神经网络模型均有较好的表现

    Dec, 2020

  • HENIN: 在社交媒体上学习异质神经相互作用网络用于可解释的网络欺凌检测

    提出了一种深度学习模型 HEterogeneous Neural Interaction Networks (HENIN)，用于社交媒体中的可解释网络欺凌检测，其包含评论编码器、帖子 - 评论共注意力子网络以及会话 - 会话以及帖子 - 帖子交互提取器。在真实数据集上的实验表明了 HENIN 的优越性能及其突出的可解释性。

    Oct, 2020

  • 利用基于深度学习的模型在社交网络中检测网络欺凌的可复现性研究

    本文调查了最近关于 Cyberbullying 检测方面的文献研究结果。通过使用与文献作者相同的数据集，我们成功再现了他们的结果，并在 YouTube 数据集上进行了扩展研究，研究表明基于深度学习的模型优于先前应用于同一 YouTube 数据集的机器学习模型。我们认为，基于深度学习的模型也可以受益于整合其他信息来源，并研究社交网络中用户相关数据的影响。

    Dec, 2018