24、推特数据中仇恨言论和冒犯性语言检测与增强时频表示方法

推特数据中仇恨言论和冒犯性语言检测与增强时频表示方法

推特数据中仇恨言论和冒犯性语言检测

在当今互联网时代，社交媒体已成为人们表达观点和情感的重要平台，但其中的仇恨言论和冒犯性语言也带来了诸多问题。为了有效过滤这些不良内容，研究人员进行了一系列实验。

实验设置

为了获得更好的实验结果，研究中使用了多个超参数。在众多优化算法中，自适应矩估计（Adam）表现出色。以下是Adam优化器训练网络时使用的训练指标：
| 参数 | 值 |
| — | — |
| 优化器 | Adam |
| 初始学习率 | 0.01 |
| 最大轮数 | 300 |
| 小批量大小 | 300 |
| 梯度阈值 | 1 |
| 最大迭代次数 | 9600 |

通过调整轮数和小批量大小等参数进行迭代训练，以获得最佳训练模型。当训练进行到一半迭代次数后，训练损失变得较小且趋于稳定，因此采用了提前停止准则，手动停止训练。最终模型实现了98.24%的训练准确率，且数据损失最小。

实验内容

为了更好地探索过滤推特中仇恨言论和冒犯性语言的方法，研究进行了四个实验：
1. 实验1 ：构建一个简单的长短期记忆网络（LSTM）分类器，包含一个LSTM层。首先是序列输入层获取顺序输入，将数据传递给包含100个隐藏单元的LSTM层，再将数据转发到输出大小为3的全连接层，使用Softmax作为激活函数，最后由分类层生成输出值。
2. 实验2 ：采用单个双向长短期记忆网络（Bi - LSTM）