SugarTextNet：基于 Transformer 的含糖约会相关内容检测框架结合上下文感知焦点损失

含糖约会相关内容在主流社交媒体平台上快速增长，引发严重的社会和监管关注，包括亲密关系商业化以及交易性关系的常态化。检测此类内容面临巨大挑战，主要因其隐匿的含糊表达、模糊的语言线索以及实际数据中的极端类别不平衡。本文提出SugarTextNet，一个专为识别社交媒体上含糖约会帖子的新型 Transformer-based 框架。SugarTextNet集成了预训练的 Transformer 编码器、基于注意力的线索提取器以及上下文短语编码器，以捕获用户生成文本中的显著与细微特征。为解决类别不平衡问题并提升少数类别检测效果，我们引入情境感知焦点损失（Context-Aware Focal Loss），这是一种结合焦点损失比例与情境加权的定制化损失函数。我们在新编的、经人工标注的 3067 条新浪微博中文社交媒体帖子数据集上对SugarTextNet进行评估，结果在多个指标上显著优于传统机器学习模型、深度学习基线以及大型语言模型。全面的消融研究确认每个组件的必不可少作用。我们的发现凸显了针对敏感内容检测中领域特定、情境感知建模的重要性，并为复杂实际场景下的内容 moderation 提供了稳健解决方案。