SafeCity：理解性骚扰个人叙述的多样形式
计算与语言
2018-09-17 v2 人工智能
摘要
随着近期 #MeToo 运动的兴起，越来越多关于性骚扰和性虐待的个人故事被分享到网上。为了推进反对此类骚扰与虐待的斗争，我们提出了基于在线论坛 SafeCity 上分享的故事，自动分类和分析各种形式性骚扰的任务。对于触摸、注视和评论这些标签，我们的单标签 CNN-RNN 模型达到了 86.5% 的准确率，我们的多标签模型达到了 82.5% 的汉明分数。此外，我们使用 LIME、一阶导数显著性热图、激活聚类和嵌入可视化进行分析，以解释神经模型的预测，并展示这如何提取有助于自动填写事件报告、识别不安全区域、避免不安全行为以及“标记变态者”的特征。
引用
@article{arxiv.1809.04739,
title = {SafeCity: Understanding Diverse Forms of Sexual Harassment Personal Stories},
author = {Sweta Karlekar and Mohit Bansal},
journal= {arXiv preprint arXiv:1809.04739},
year = {2018}
}
备注
EMNLP 2018 (7 pages)