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

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

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

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

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

本文提出了一种基于 Res-CNN-BiLSTM 混合深度学习模型的方法，用于分析社交媒体上的文本语言数据，识别并处理基于宗教、种族、年龄和性别等因素的网络欺凌行为，以对心理健康问题进行干预。

Apr, 2022

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。

Feb, 2024

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

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

本文提出利用深度学习方法，结合各种嵌入技术，在社交媒体中检测各种类型的仇恨言论，特别是在包含有限上下文信息的推文中，这是一种非常具有挑战性的任务，三个公开数据集的实验结果表明精确度和 F1 得分都有显著提高。

May, 2020