一种利用基于用户信息的统一多任务学习架构用于仇恨检测
计算与语言
2024-11-13 v2
摘要
仇恨言论、冒犯性语言、攻击性、种族主义、性别歧视和其他滥用语言是社交媒体中的常见现象。需要基于人工智能（AI）的干预措施，能够大规模过滤仇恨内容。大多数现有的仇恨言论检测解决方案通过将每条帖子视为孤立的输入实例来进行分类，从而利用特征。本文通过引入一个独特的模型来解决这一问题，该模型通过利用 intra-user 和 inter-user 信息来改进英语的仇恨言论识别。实验在单任务学习（STL）和多任务学习（MTL）范式上进行，这些范式使用深度神经网络，如卷积神经网络（CNN）、门控循环单元（GRU）、来自Transformer的双向编码器表示（BERT）和轻量BERT（ALBERT）。我们使用了三个基准数据集，并得出结论：将某些用户特征与文本特征结合可以在 macro-F1 和 weighted-F1 上带来显著提升。
引用
@article{arxiv.2411.06855,
title = {A Unified Multi-Task Learning Architecture for Hate Detection Leveraging User-Based Information},
author = {Prashant Kapil and Asif Ekbal},
journal= {arXiv preprint arXiv:2411.06855},
year = {2024}
}
备注
7 pages, 1 figure, and two tables. Accepted at the 20th International Conference on Natural Language Processing (ICON) 2023. https://aclanthology.org/2023.icon-1.53