15、利用人工智能与机器学习打击网络欺凌：研究进展与展望

利用人工智能与机器学习打击网络欺凌：研究进展与展望

机器学习算法在网络欺凌检测中的比较

在网络欺凌的检测和分析中，机器学习算法展现出了巨大的潜力。研究人员对多种机器学习算法，如支持向量机（SVM）、朴素贝叶斯、决策树和随机森林，在社交媒体数据中检测和分析网络欺凌行为的有效性进行了评估。

通过对比不同模型的性能指标，包括准确率、精确率、召回率、F1分数和AUC - ROC，结果显示SVM模型表现最为出色。具体数据如下表所示：
| 机器学习模型 | 准确率 | 精确率 | 召回率 | F1分数 | AUC - ROC |
| — | — | — | — | — | — |
| SVM | 0.92 | 0.91 | 0.89 | 0.88 | 0.95 |
| 朴素贝叶斯 | 0.88 | 0.85 | 0.88 | 0.86 | 0.92 |
| 决策树 | 0.81 | 0.80 | 0.81 | 0.80 | 0.86 |
| 随机森林 | 0.89 | 0.87 | 0.89 | 0.88 | 0.93 |

从这些数据可以看出，SVM模型在各个指标上都有较好的表现，其准确率达到了0.92，精确率为0.91，召回率为0.89，F1分数为0.88，AUC - ROC为0.95。这表明SVM模型能够准确地识别文本信息中的网络欺凌事件。

与之相比，现有的一些方法存在局限性。部分方法只专注于特定形式的网络欺凌行为，缺乏对新的或未观察到的网络欺凌形式的泛化能力。例如，有些方法只关注明确的网络欺凌实例，而另一些则只专注于隐性的网络欺凌实例。这种局限性可能导致无法识别所有形式的网络骚扰，从而降低了方法的整体精度。