用于Twitter上在线攻击性检测的流式机器学习框架
社会与信息网络
2020-11-10 v2 信息检索
摘要
社交媒体上在线攻击性的上升正演变为主要关注点。近期已提出若干机器学习与深度学习方法以检测各类攻击行为。然而，社交媒体节奏快、内容量持续增长，且攻击行为随时间演化。本工作中，我们引入首个实用的实时框架，通过采用流式机器学习范式检测Twitter上的攻击性。我们的方法以增量方式适应其ML分类器，随接收新标注样本而更新，并能够达到与基于批处理的ML模型相同（甚至更高）的性能，准确率、精确率与召回率超过90%。同时，我们对真实Twitter数据的实验分析揭示，该框架可轻松扩展至容纳整个Twitter Firehose（每日7.78亿条推文），仅需3台商用机器。最后，我们展示该框架具有足够通用性，可实时检测其他相关行为如讽刺、种族主义与性别歧视。
引用
@article{arxiv.2006.10104,
title = {A Streaming Machine Learning Framework for Online Aggression Detection on Twitter},
author = {Herodotos Herodotou and Despoina Chatzakou and Nicolas Kourtellis},
journal= {arXiv preprint arXiv:2006.10104},
year = {2020}
}
备注
12 pages, 16 figures, 2 tables