[论文解读] Investigating Deep Learning Approaches for Hate Speech Detection in Social Media
本文提出使用多种词嵌入的深度学习模型，以检测社交媒体中的仇恨言论，尤其针对微博等上下文稀疏的短文本。在三个不同数据集上的实验表明，准确率和F1分数均有显著提升，验证了该方法在处理用户生成仇恨言论的复杂性和多样性方面的有效性。
The phenomenal growth on the internet has helped in empowering individual's expressions, but the misuse of freedom of expression has also led to the increase of various cyber crimes and anti-social activities. Hate speech is one such issue that needs to be addressed very seriously as otherwise, this could pose threats to the integrity of the social fabrics. In this paper, we proposed deep learning approaches utilizing various embeddings for detecting various types of hate speeches in social media. Detecting hate speech from a large volume of text, especially tweets which contains limited contextual information also poses several practical challenges. Moreover, the varieties in user-generated data and the presence of various forms of hate speech makes it very challenging to identify the degree and intention of the message. Our experiments on three publicly available datasets of different domains shows a significant improvement in accuracy and F1-score.
研究动机与目标
- 为应对由于在线表达自由被滥用，社交媒体平台中仇恨言论问题日益严重这一挑战。
- 开发能够检测微博等短文本中各种形式仇恨言论的鲁棒深度学习模型。
- 评估不同词嵌入在捕捉不同社交媒体领域中细微仇恨言论表达方面的有效性。
- 在真实世界、公开可用的仇恨言论数据集上，提升检测性能的准确率和F1分数。
提出的方法
- 该研究采用多种预训练词嵌入（如GloVe、FastText、BERT）来表示社交媒体输入文本序列。
- 应用双向长短期记忆网络（Bi-LSTM）以建模序列依赖关系，并捕捉短文本中的上下文模式。
- 在Bi-LSTM之上使用全连接前馈神经网络，将输入序列分类为仇恨言论或非仇恨言论。
- 采用交叉熵损失进行端到端训练，并使用Adam优化器配合早停策略以防止过拟合。
- 在三个来自不同领域的公开仇恨言论数据集上进行实验，以确保模型的泛化能力。
- 通过超参数调优优化模型在各数据集上的性能。
实验结果
研究问题
- RQ1不同词嵌入技术对短社交媒体文本中仇恨言论检测性能有何影响？
- RQ2像Bi-LSTM这样的深度学习架构在多大程度上能提升对细微或依赖上下文的仇恨言论检测？
- RQ3所提出的模型能否在具有不同语言风格和仇恨言论表达方式的多样化社交媒体领域中实现良好泛化？
- RQ4在多个基准数据集上，该模型的F1分数和准确率表现如何比较？
主要发现
- 所提出的深度学习模型在所有三个评估数据集上的F1分数均显著优于基线方法。
- 在大多数情况下，上下文嵌入（如BERT）的性能优于静态嵌入（如GloVe和FastText）。
- 该模型在检测上下文有限的短文本（如微博）中的仇恨言论方面表现出强鲁棒性。
- Bi-LSTM与预训练词嵌入的结合取得了最佳整体性能，表明序列建模与语义表征均至关重要。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。