基于 BERT-BiLSTM 的恶意评论检测语义与上下文建模
计算与语言
2025-03-17 v1
摘要
本研究旨在开发一个高效且准确的恶意评论检测模型，以应对社交媒体平台上日益严重的虚假和有害内容问题。我们提出了一种结合 BERT 和 BiLSTM 的深度学习模型。BERT 模型通过预训练捕获文本的深层语义特征，而 BiLSTM 网络擅长处理序列数据，能够进一步对文本的上下文依赖关系进行建模。在 Jigsaw Unintended Bias in Toxicity Classification 数据集上的实验结果表明，BERT+BiLSTM 模型在恶意评论检测任务中取得了卓越的性能，精确率为 0.94，召回率为 0.93，准确率为 0.94。这超越了其他模型，包括独立的 BERT、TextCNN、TextRNN 以及使用 TF-IDF 特征的传统机器学习算法。这些结果证实了 BERT+BiLSTM 模型在处理不平衡数据和捕获恶意评论深层语义特征方面的优越性，为社交媒体内容审核和网络环境净化提供了有效的技术手段。
引用
@article{arxiv.2503.11084,
title = {Semantic and Contextual Modeling for Malicious Comment Detection with BERT-BiLSTM},
author = {Zhou Fang and Hanlu Zhang and Jacky He and Zhen Qi and Hongye Zheng},
journal= {arXiv preprint arXiv:2503.11084},
year = {2025}
}