基于词汇关联性的迁移学习：讽刺与仇恨言论案例研究
计算与语言
2025-08-25 v1 机器学习
摘要
检测来自非直接形式（如讽刺、讽刺和暗示）的仇恨言论仍是社交网络面临的持久挑战。尽管讽刺和仇恨言论被视为不同表达，但我们的工作探讨了将讽刺整合为预训练步骤是否能提高隐式仇恨言论检测，以及随之而来的显式仇恨言论检测。我们整合了来自 ETHOS、Reddit 讽刺语料库和隐式仇恨语料库中的样本，构建了两种训练策略，以比较讽刺预训练在 CNN+LSTM 和 BERT+BiLSTM 模型上的效果。第一种策略是单阶段训练方法，即仅在讽刺数据上训练的模型，然后在仇恨言论数据上测试。第二种策略使用顺序迁移学习，对讽刺、隐式仇恨和显式仇恨进行微调。我们的结果显示，在 ETHOS 数据集上，讽刺预训练使 BERT+BiLSTM 的召回率提高 9.7%，AUC 提升 7.8%，F1 分数提升 6%。在隐式仇恨语料库上，仅针对隐式样本测试时，准确率提升了 7.8%。通过将讽刺纳入训练过程，我们表明模型能够更有效地检测两种形式的仇恨言论。
引用
@article{arxiv.2508.16555,
title = {Transfer Learning via Lexical Relatedness: A Sarcasm and Hate Speech Case Study},
author = {Angelly Cabrera and Linus Lei and Antonio Ortega},
journal= {arXiv preprint arXiv:2508.16555},
year = {2025}
}