SOLID：用于攻击性语言识别的大规模半监督数据集
计算与语言
2021-09-27 v2
摘要
社交媒体中攻击性内容的广泛使用导致了大量关于检测仇恨言论、网络欺凌和网络攻击性语言的研究。近期工作提出了OLID数据集，该数据集遵循一种攻击性语言识别的分类体系，为理解攻击性消息的类型和目标提供了有意义的信息。然而，其规模有限，并且由于使用关键词收集，可能偏向于攻击性语言。在本工作中，我们提出了扩展数据集SOLID，其中以更原则性的方式收集推文。SOLID包含超过九百万条以半监督方式标注的英文推文。我们证明，将SOLID与OLID结合使用，可为两种不同的模型在OLID测试集上带来可观的性能提升，尤其是在分类体系的较低层级上。
引用
@article{arxiv.2004.14454,
title = {SOLID: A Large-Scale Semi-Supervised Dataset for Offensive Language Identification},
author = {Sara Rosenthal and Pepa Atanasova and Georgi Karadzhov and Marcos Zampieri and Preslav Nakov},
journal= {arXiv preprint arXiv:2004.14454},
year = {2021}
}
备注
offensive language, hate speech, cyberbullying, cyber-aggression, taxonomy for offensive language identification