基于 MindSpore 框架的少样本仇恨言论检测
计算与语言
2025-04-23 v1 计算机与社会
摘要
社交媒体上仇恨言论的不断增加构成了对在线社区的严重威胁，亟需有效的检测系统。虽然深度学习模型显示出前景，但其性能在少样本或低资源环境下常常恶化，因其依赖大量标注语料。为此，我们提出 MS-FSLHate，一个基于 MindSpore 深度学习平台的少样本仇恨言论检测提示增强神经框架。该模型集成可学习的提示嵌入、CNN-BiLSTM 主干网络及注意力池化，以及基于同义词的对抗数据增强以提高泛化能力。在两个基准数据集 HateXplain 和 HSOL 上的实验结果表明，我们的方法在精确率、召回率和 F1 分数方面均优于竞争性基线。此外，该框架显示出高效和可扩展性，表明其适用于资源受限的环境。这些发现凸显了结合基于提示的学习与对抗增强在少样本场景下实现稳健且可适应的仇恨言论检测的潜力。
引用
@article{arxiv.2504.15987,
title = {Few-shot Hate Speech Detection Based on the MindSpore Framework},
author = {Zhenkai Qin and Dongze Wu and Yuxin Liu and Guifang Yang},
journal= {arXiv preprint arXiv:2504.15987},
year = {2025}
}