minOffense：用于稳定规则、概念、传递性与格的仇恨术语交叉一致性
计算与语言
2023-05-30 v1 人工智能
社会与信息网络
摘要
由于社交媒体平台上仇恨言论的蔓延，仇恨言论分类已成为一个重要问题。对于给定的仇恨术语列表集（HTs-lists）和仇恨言论数据（HS-data），理解哪个仇恨术语对仇恨言论分类贡献最大是一项挑战。本文提出两种方法，定量度量并定性可视化共现仇恨术语（HTs）之间的关系。首先，我们提出一种通过从现有 HTs-lists 生成严重仇恨术语列表（Severe HTs-list）来进行仇恨言论分类的方法。为实现该目标，我们提出三个度量（Hatefulness、Relativeness 和 Offensiveness）来度量 HTs 的严重性。这些度量有助于创建交叉一致性 HTs-list，其解释了单个仇恨术语对仇恨言论分类的贡献。然后，我们使用高于所提阈值最小 Offense（minOffense）的 HTs 的 Offensiveness 度量值来生成新的 Severe HTs-list。为评估我们的方法，我们使用了三个仇恨言论数据集和六个仇恨术语列表。与基线相比，我们的方法表现出了从 0.845 到 0.923（最佳）的提升。其次，我们还提出了稳定仇恨规则（SHR）挖掘，以在最小稳定性（minStab）下提供各种 HTs 的有序共现。SHR 挖掘检测频繁共现的 HTs 以形成稳定仇恨规则和概念。这些规则和概念用于可视化由 HTs 形成的传递性与格的图。
引用
@article{arxiv.2305.17984,
title = {minOffense: Inter-Agreement Hate Terms for Stable Rules, Concepts, Transitivities, and Lattices},
author = {Animesh Chaturvedi and Rajesh Sharma},
journal= {arXiv preprint arXiv:2305.17984},
year = {2023}
}
备注
IEEE 9th International Conference on Data Science and Advanced Analytics (DSAA), October 13-16, 2022, Shenzhen, China. IEEE, 2022. (Core A)