基于深度学习的可解释孟加拉语多标签有毒评论分类
计算与语言
2023-04-21 v1 人工智能
机器学习
摘要
本文提出一种基于深度学习的孟加拉语有毒评论分类流程，首先使用二分类模型判断评论是否有毒，随后采用多标签分类器确定该评论所属的有毒类型。为此，我们构建了一个人工标注数据集，包含16,073条样本，其中8,488条为有毒评论，且任一有毒评论可同时对应六种有毒类别之一或多个：粗俗、仇恨、宗教、威胁、挑衅和侮辱。结合BERT嵌入的长短期记忆网络(LSTM)在二分类任务中取得了89.42%的准确率；而作为多标签分类器，带有注意力机制的卷积神经网络与双向长短期记忆网络组合(CNN-BiLSTM)取得了78.92%的准确率和0.86的加权F1分数。为解释所提模型的预测并阐释分类过程中的词特征重要性，我们采用了局部可解释模型无关解释(LIME)框架。我们已公开数据集，可通过 https://github.com/deepu099cse/Multi-Labeled-Bengali-Toxic-Comments-Classification 获取。
引用
@article{arxiv.2304.04087,
title = {Interpretable Multi Labeled Bengali Toxic Comments Classification using Deep Learning},
author = {Tanveer Ahmed Belal and G. M. Shahariar and Md. Hasanul Kabir},
journal= {arXiv preprint arXiv:2304.04087},
year = {2023}
}