Apr, 2024

利用受害者的仇恨进行越南社交媒体文本中的仇恨言论检测

PDF
TL;DR社交媒体上激进内容的快速传播促使了对仇恨言论的检测任务的需求，本论文提供了一种构建用于针对性仇恨言论检测的系统的方法，并介绍了一个越南社交媒体文本的针对性仇恨言论检测数据集，并结合预训练语言模型与基于文本表征的 Bi-GRU-LSTM-CNN 模型建立了基线模型，最终提出了一种方法将该模型整合至在线流媒体系统，以在社交媒体上防止令人讨厌和冒犯性内容的实际应用。
toxic contenthate speech detectiontargeted hate speechsocial mediaonline streaming
发现论文，激发创造
  • ViHateT5：使用统一的文本转换器模型增强越南语中的仇恨言论检测

    我们引入了基于 T5 架构的 ViHateT5 模型，该模型在我们提出的大规模领域特定数据集 VOZ-HSD 上进行了预训练，通过利用文本到文本架构的优势，ViHateT5 可以使用统一的模型处理多个任务，并在越南语的所有标准 HSD 基准测试中实现最先进的性能。

    May, 2024

  • 利用 PhoBERT-CNN 和社交媒体流数据检测越南语仇恨和攻击

    本研究利用先进的预处理技术和多种实验验证，提出一种基于 PhoBERT 和 Text-CNN 模型的 HSD 模型来检测越南社交媒体上的仇恨言论，在应对数据不平衡的同时提高了分类模型的性能，通过实验结果验证，该模型在 ViHSD 和 HSD-VLSP 等数据集上获得了更高的 F1 得分，并且进一步构建了一种实用的流媒体应用程序以演示其实用性。

    Jun, 2022

  • ViHOS: 越南语仇恨言论跨度检测

    概述：该研究提出了 ViHOS 数据集，它是第一个包含 11k 条评论和 26k 个含有仇恨和攻击性言论的人工标注的数据集。通过使用各种最先进的模型进行实验，我们发现 XLM-R $_{Large}$ 在单个范围检测和所有范围检测方面取得了最佳的 F1 分数，而 PhoBERT $_{Large}$ 在多个范围检测方面获得了最高的分数。该研究的目的在于帮助解决社交网络平台上存在的恶意和攻击性言论的问题。

    Jan, 2023

  • VLSP 2019 活动中的 HSD 任务：针对社会善举的仇恨言论检测

    本文介绍了在 Vietnamese Language and Speech Processing（VLSP）2019 研讨会上，关于从 Facebook 上提取出的越南文本项目（即信息）中检测仇恨言论细微的存在的 “HateSpeech Detection”（HSD）任务的组织，是一个基于包含 25,431 个越南文本项的大规模数据集的多类别分类任务。该任务吸引了大量的参与者，并成为 VLSP 2019 的热门任务。

    Jul, 2020

  • 孟加拉语仇恨言论检测：数据集及其基准评估

    本文针对社交媒体上孟加拉语仇恨言论检测的挑战，通过众包标注和专家验证构建了一个包含 30,000 条用户评论的数据集，并利用多个深度学习模型对其进行了实验。结果表明将 SVM 用于该数据集能够获得 87.5% 的准确率，该数据集将推动孟加拉语仇恨言论检测领域的未来研究机会。

    Dec, 2020

  • DeepHate: 多维文本表示的仇恨言论检测

    提出一种新颖的深度学习模型 ——DeepHate，以使用多方面的文本表示方法（如词嵌入、情感和主题信息），自动检测在线社交平台上的仇恨言论。在三个公开可用的实际数据集上进行了广泛的实验和评估，结果表明 DeepHate 在检测仇恨言论的任务上优于现有技术水平，并进行了案例研究，以提供有助于检测在线社交平台上的仇恨言论的显着功能的见解。

    Mar, 2021

  • 传统机器学习模型与神经网络模型在越南仇恨言论检测中的比较

    针对社交媒体上仇恨言论检测的问题，研究比较了传统机器学习和深度学习方法在越南社交媒体用户评论数据集上的表现，选出表现最好的两种模型，并引入混淆矩阵比较它们的优缺点，最终提出了一个传统方法与深度学习相结合的集成方法。

    Jan, 2020

  • 越南开放式社交媒体评论的建设性和有毒言论检测

    在本文中，我们使用越南自然语言处理中的 PhoBERT 等最先进的迁移学习模型，提出了一个用于建设性和有毒言论检测的系统，并使用 10000 个人工注释的评论创建了一个名为 UIT-ViCTSD 的数据集，从而解决了社交媒体评论质量低下和有害性问题。

    Mar, 2021

  • 探究社交媒体中针对仇恨言论的深度学习方法

    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

  • 重新审视仇恨言论基准：从数据筛选到系统部署

    该研究旨在提出一种名为 GOTHate 的数据集，包含了多语言和多主题，并引入内源信号来增强恶意言论检测任务。作者开发出了一种多语言模型 HEN-mBERT，其通过历史、拓扑和范例等内源信号来改善语义分析。实验结果表明，该模型相较于其他模型提升了 2.5% 的整体宏 F1 值和 5% 的恶意言论 F1 值。

    Jun, 2023