基于邻域感知最优传输的低资源仇恨言论检测知识迁移

在线平台上仇恨内容令人担忧的增长增加了对自动仇恨言论检测的关注，通常将其表述为监督分类任务。最先进的基于深度学习的方法通常需要大量标注资源用于训练。然而，标注仇恨言论资源昂贵、耗时，且常对标注者有害。这产生了将知识从现有标注资源迁移到低资源仇恨言论语料库以改进系统性能的迫切需求。为此，基于邻域的框架已被证明有效。然而，它们灵活性有限。在我们的论文中，我们提出一种新颖训练策略，允许灵活建模从资源丰富语料库检索的邻居的相对邻近度，以学习迁移量。特别地，我们将邻域信息与最优传输结合，从而可利用数据嵌入空间的几何结构。通过对齐邻居的联合嵌入与标签分布，我们在不同公开可用仇恨言论语料库的低资源场景下，相对于强基线取得了显著改进。