Feb, 2024

一种用于检测网络欺凌的机器学习集成模型

PDF
TL;DR社交媒体平台、网络欺凌、自动化系统、集成机器学习和挑衅性推文是本研究的关键词。研究通过采用四种特征提取技术，并结合五种机器学习算法，最终实现了 94.00% 的高准确率，优于传统机器学习模型，并超越了之前在相同数据集上的实验结果。
social media platformscyberbullyingautomated systemensemble machine learningaggressive tweets
发现论文，激发创造
  • 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

  • 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

  • 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

  • 利用多项式朴素贝叶斯和优化线性支持向量机的机器学习算法打造 AI 动力反网络暴力系统

    该研究旨在使用多项式朴素贝叶斯和支持向量机等机器学习算法，开发具有 92％准确率的永久性解决方案，以检测和拦截网络暴力传入和传出信息，并开发了聊天机器人自动化消息系统。

    Jul, 2022

  • 社交网络中检测恶意网络欺凌和仇恨言论的深度学习方法

    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

  • 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

  • 保障社交空间：利用深度学习消除网络欺凌

    通过深度学习方法，特别是采用 BERT 和 BiLSTM 架构，我们的研究介绍了一种针对网络霸凌问题的深度学习方法，可以有效地分析大量帖子并预测潜在的网络霸凌行为。结果表明，我们的 hateBERT 模型在五个模型中表现卓越，达到了 89.16% 的准确率，为实现更安全和更包容的数字化环境作出了重要贡献。

    Apr, 2024

  • 在网络欺凌情感分析中的简易数据增强

    通过使用支持向量机（SVM）和简单数据增强（EDA）进行情感分析的评论过滤，以解决 Instagram 中青少年印尼人群 50% 遭受的网络欺凌问题，测试结果显示 SVM 与 EDA 相结合可使 k-Fold 交叉验证得分提高 2.52%，我们的方法准确率为 92.5%，比现有的最先进方法提高了 2.5%。

    Nov, 2023

  • 针对网络欺凌分类的细化表征：侵略性、重复性、有意性、可见性和不平衡性

    研究了在线社区中的网络欺凌及其识别方法，并通过构建基于社交网络和语言特征的分类器来提高分类性能。

    Apr, 2020

  • Instagram 社交网络上的网络欺凌事件检测

    研究怎样利用众包方法对 Instagram 上的图片内容进行标注从而基于特征分析与构建分类器以自动监测和检测网络欺凌及侵害。

    Mar, 2015