CN111814454B - 一种社交网络上的多模态网络欺凌检测模型 - Google Patents
一种社交网络上的多模态网络欺凌检测模型 Download PDFInfo
- Publication number
- CN111814454B CN111814454B CN202010662871.5A CN202010662871A CN111814454B CN 111814454 B CN111814454 B CN 111814454B CN 202010662871 A CN202010662871 A CN 202010662871A CN 111814454 B CN111814454 B CN 111814454B
- Authority
- CN
- China
- Prior art keywords
- network
- word
- comment
- data
- mode
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 11
- 230000015654 memory Effects 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000006403 short-term memory Effects 0.000 claims 1
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种社交网络上的多模态网络欺凌检测模型,包括针对多模态数据的编码和针对模态数据的解码,还包括:对数据进行预处理;对视频和/或图像数据进行处理,对每一个视频和/或图像进行打分评价,构成评价标签;针对帖子文本内容,通过双向长短期记忆网络(Bi‑LSTM)和自注意力机制进行训练;针对帖子评论集数据进行双向的GRU分层注意力机制学习;针对图像和/或视频,通过one‑hot编码的方式,然后利用多层感知机进行特征提取;针对不同学习到的向量,通过多层感知机分别进行特征提取,然后将其串联起来整体进行特征提取;本发明将评论数据集的对话形式、具有视觉信息的图像和视频信息进行整合,能够显著提升网络中网络欺凌检测准确度。
Description
技术领域
本发明涉及网络欺凌检测领域,特备涉及一种社交网络上的多模态网络欺凌检测模型。
背景技术
随着社交媒体的兴起,社交网络已然成为年轻人沟通、交友的主要载体。然而,由于其具有虚拟性、匿名性的特点,部分用户选择在网络以攻击他人的方式发泄自身在现实生活中产生的消极情绪,滋生了网络欺凌这种恶劣行为。
由于社交网络的主体以文本为主,因此,在网络欺凌检测领域主要引用自然语言处理技术分析文本特征。随着深度学习的发展,许多深度学习技术也大量引用于网络欺凌检测之中,但目前的网络欺凌检测仍然存在如下缺陷,具体为:
(1)网络欺凌检测没有考虑到文本语境信息
在网络欺凌检测方面,由于恶意的口头攻击是网络欺凌的典型表现,因此现有技术主要集中在文本特征分析上。虽然目前的诸多方法都已经引入了许多文本分类方法来进行网络欺凌检测,但是目前的欺凌文本都属于短文本,并且数据杂乱,难以直接分析文本的含义;并且语义的理解需要考虑当时的语境,忽视这种语境将难以理解文本的含义。
(2)在多模态下网络欺凌工作仅仅针对网络文本进行检测
现有网络欺凌检测是通过判断用户发表的文本内容是否具有欺凌含义,这些工作主要涉及到自然语言处理中的文本分类技术。但是随着新兴媒体的发展,网络媒体中存在大量非文本类型数据,包括图片、视频等,这些非文本数据在网络欺凌检测中并没有考虑在内。将每一种数据类型当作一种模态信息,类比于人类的视觉、听觉等,这些模态信息在新兴媒体信息中占有很大比重,忽略这些模态信息将导致信息的确实,从而无法判断其行为是否是欺凌行为,从而导致其逃避检测。
发明内容
本发明的目的是提供一种能够显著提升网络中网络欺凌检测准确度的社交网络上的多模态网络欺凌检测模型。
一种社交网络上的多模态网络欺凌检测模型,包括步骤S1针对多模态数据的编码和步骤S2针对模态数据的解码;
步骤S1还包括:
步骤S101:对数据进行预处理;
步骤S102:对视频和/或图像数据进行处理,对每一个视频和/或图像进行打分评价,构成评价标签;
步骤S103:针对帖子文本内容,通过双向长短期记忆网络(Bi-LSTM)和自注意力机制进行训练;
步骤S104:针对帖子评论集数据进行双向的GRU分层注意力机制学习,每个帖子均有一个数量为L的评论集合C,对于第i个评论ci有Li个单词,按照每个单词用wit,并且t∈[0,Li];
步骤S105:针对图像和/或视频,通过one-hot编码的方式,然后利用多层感知机进行特征提取;
步骤S2还包括:
步骤S201:针对不同学习到的向量,通过多层感知机分别进行特征提取,然后将其串联起来整体进行特征提取。
本发明的原理为:
针对帖子文本内容的通过双向LSTM和自注意力机制进行训练,针对评论集数据进行双向的GRU进行分层注意力机制学习,针对图像或者视频等其他数据类型通过one-hot编码,然后利用多层感知机进行特征提取;最后,针对不同学习到的向量,通过多层感知机分别进行特征提取,然后再将其串联起来整体进行特征提取。
本发明的有益效果在于:
本发明将评论数据集的对话形式、具有视觉信息的图像和视频信息进行整合,利用帖子的上下文结构,将帖子下的评论集合作为短对话的形式,增强网络欺凌中短文本的内容特征,且图像和视频数据也将在视觉和感官方面提升对网络欺凌的理解。
附图说明
图1为本发明的一种多模式网络欺凌检测框架示意图。
具体实施方式
体现本发明特征与优点的典型实施方式将在以下的说明中详细叙述,应理解的是本发明能够在不同的实施方式上具有各种的变化,其皆不脱离本发明的范围,且其中的说明及图示在本质上是当作说明之用,而非用以限制本发明。
如图1所示,一种社交网络上的多模态网络欺凌检测模型,包括步骤S1针对多模态数据的编码和步骤S2针对模态数据的解码;
步骤S1还包括:
步骤S101:对数据进行预处理;针对帖子内容处理基本的帖子信息进行处理,包括帖子文本、对帖子的评论文本、图像、视频信息的其中一种或一种以上,最终构成基本信息包含,帖子内容、图像或者视频内容、对该帖子的评论集。
步骤S102:对视频和/或图像数据进行处理,对每一个视频和/或图像进行打分评价,构成评价标签;对已经过预处理操作的视频和/或图像数据,采用众包的方式对每一个图像和/或视频进行打分,对每一个图像和/或视频表达的情绪有10万人在线对其表达的情绪进行评价,最终构成一个或一个以上的评价标签。
步骤S103:针对帖子文本内容,通过双向长短期记忆网络(Bi-LSTM)和自注意力机制进行训练;
步骤S104:针对帖子评论集数据进行双向的GRU分层注意力机制学习,每个帖子均有一个数量为L的评论集合C,对于第i个评论ci有Li个单词,按照每个单词用wit,并且t∈[0,Li],采用双向GRU循环结构能够避免具有更多的参数。
步骤S105:针对图像和/或视频,通过one-hot编码的方式,然后利用多层感知机进行特征提取;
步骤S2还包括:
步骤S201:针对不同学习到的向量,通过多层感知机分别进行特征提取,然后将其串联起来整体进行特征提取。由于不同模态的数据产生向量格式大小不一,并且多模态数据在网络欺凌中占有的效果不同,通过这种特征提取方式来降低检测效果较大的偏向单一模态数据。
针对帖子文本内容的通过双向LSTM和自注意力机制进行训练,针对评论集数据进行双向的GRU进行分层注意力机制学习,针对图像或者视频等其他数据类型通过one-hot编码,然后利用多层感知机进行特征提取;最后,针对不同学习到的向量,通过多层感知机分别进行特征提取,然后再将其串联起来整体进行特征提取。相关算法步骤运行于包含GPU的工作站上,能够针对大量数据的并行计算;工作站内存和存储需要充足数据存放空间,优选的,该算法模型测试与实验于工作CPU为I99700K,GPU采用3块RTX2080Ti显卡。
进一步地,步骤S1.3的双向长短期记忆网络(Bi-LSTM)中,长短期网络主要有三个门控单元,分别是输入门it、遗忘门ft以及输出门ot,当前t时刻的输入门it、遗忘门ft以及输出门ot的更新公式为:
it=σ(xtWxi+ht-1Whi+bi)
ft=σ(xtWxf+ht-1Whf+bf)
ot=σ(xtWxo+ht-1Who+bo)
ht是每一个状态的隐藏状态,ht-1是前一个时刻的隐藏状态,xt是词嵌入后的词向量,Wxi,Wxf,Wxo,Whi,Whf,Who是权重向量,bi,bf,bo是偏置向量;
计算隐藏状态ht公式如下:
ht=ot⊙tanh(ct)
其中,ct为当前记忆,为候选记忆;
对每句文本分别采用正序和逆序的两种方式,每个时刻产生两个隐藏状态:
将语句视为序列化数据,按照语序输入每个单词的词向量,将每个单词放入循环神经网络之中学习,进而通过按照语序学习每一个单词从而学习整个语句的内容特征;通过输入层按序输入单词的词向量,通过隐藏层捕获该单词和以往所有单词的特征,并将特征传递给下个将要传入的单词,直到所有的单词都学习完,完成语句学习任务。
进一步地,步骤S1.4中计算单词级别的注意力机制,使用单词级别的注意力矩阵针We对每一个单词进行处理,xij=Wewij,然后使用双向GRU进行处理,得到的隐藏状态向量:
并且,
由于每个单词对评论的影响不同,因此利用注意力机制对每个语句进行单词级别的注意力权重进行计算,通过注意力机制重构这些单词的向量,以形成对这些重要单词的评论。
进一步地,使用带有隐藏层的多层感知器来提取更高级别的隐藏层表示uit:
uit=tanh(Wwhit+bw)
Ww是单词的权重矩阵,bw是单词层级注意力机制的偏置向量,然后利用如下方式进行归一化处理:
最后重构评论ci的语句矩阵(单个单词是向量,多个单词构成矩阵):
进一步地,对评论集合的每一个评论内容ci利用双向GRU处理:
然后,计算评论注意力表示:
ui=tanh(Wchi+bc)
Wc是评论级别的权重矩阵,bc是评论级别的偏置向量,uc是上下文向量,v是加权后的评论信息,加权后的评论信息v汇总了注释C的所有信息;在整个文本层级考虑语句对整体文本理解的重要性,采用语句级别的注意力权重计算获得针对文本理解的主要语句,从而提升针对文本的理解能力。
进一步地,S1.1包括停用词处理、大小写转换、词形还原的一种或一种以上。去除在文本出现但是并不影响分类结果的无意义词汇,一般为一些副词和介词等。此外,将大写字母全部转换为小写,因英文的大小写不影响语义的理解,但在词嵌入方面的影响很大。并且,将非原始形式的词化为原始形式,减少在词嵌入方面有影响,包括复数化为单数,还原单词时态等等。
将本发明利用在两个数据集Instagram(照片和视频共享)、Vine(短视频共享)上进行验证,Instagram(照片和视频共享)、Vine(短视频共享)这两个数据集都是公开可用的,并且包含多模式数据,例如文本、图像等,采用的对比方法有传统的网络欺凌方式和深度学习的网络欺凌方式:
①对比传统网络欺凌方式,包括SVM,朴素贝叶斯方法,逻辑回归,随机森林方法,在文本特征提取方面包括单词级TF-IDF向量,字符级TF-IDF向量以及语言查询词计数(LIWC)的心理特征等尽可能的调优相关对比试验。
②在深度学习方面,对比LSTM模型,具有注意力机制的LSTM模型,Text-CNN等经常用于网络欺凌检测的模型;考虑到在方法中使用到了分层注意力机制模型,我们同样对比了分层注意力机制模型,以验证我们结果的有效性。
③另外对比了两个常用的网络欺凌算法,分别是Xu等人和Lu等人。
采用的评价指标为常用的网络欺凌评价指标准确率和F1值,对准确率和F1的计算进行定义:
准确率:
精确率:P=TP/(TP+FP)
召回率:R=TP/(TP+FN)
F1值:
TP:正例预测正确的个数,FN:正例预测错误的个数,FP:负例预测错误的个数,TN:负例预测正确的个数;在相同的情况下,F1值越高证明越能从文本数据集中找到更多的欺凌文本。
表1.Instgram数据对比方法
表2.Vine数据对比方法
根据表1、表2所示,对于Instagram数据集,多模态网络模型优于最佳基准模型Lu等人,F1和准确率分别高出7.7%和1.3%,尽管该分数在准确率分数中没有很大提升,但F1提升在网络欺凌中找出欺凌文本更有用。对于Vine数据集,多模态网络模型优于最佳基准模型Lu等人,F1和准确率分别为4.4%和2.1%。
综上结果表明,本发明在F1得分和ACC得分中表现最佳,不仅具有较高的网络欺凌检测精度,而且比其他模型具有更高的稳定性。
Claims (3)
1.一种社交网络上的多模态网络欺凌检测模型,包括步骤S1针对多模态数据的编码和步骤S2针对模态数据的解码;其特征在于,
步骤S1还包括:
步骤S101:对数据进行预处理;
步骤S102:对视频和/或图像数据进行处理,对每一个视频和/或图像进行打分评价,构成评价标签;
步骤S103:针对帖子文本内容,通过双向长短期记忆网络Bi-LSTM和自注意力机制进行训练;
步骤S104:针对帖子评论集数据进行双向的GRU分层注意力机制学习,每个帖子均有一个数量为L的评论集合C,对于第i个评论ci有Li个单词,按照每个单词用wit,并且t∈[0,Li];计算单词级别的注意力机制,使用单词级别的注意力矩阵针We对每一个单词进行处理,xij=Wewij,然后使用双向GRU进行处理,得到的隐藏状态向量:
并且,
使用带有隐藏层的多层感知器来提取更高级别的隐藏层表示uit:
uit=tanh(Wwhit+bw)
Ww是单词的权重矩阵,bw是单词层级注意力机制的偏置向量,然后利用如下方式进行归一化处理:
最后重构评论ci的语句矩阵,其中单个单词是向量,多个单词构成矩阵:
对评论集合的每一个评论内容ci利用双向GRU处理:
然后,计算评论注意力表示:
ui=tanh(Wchi+bc)
Wc是评论级别的权重矩阵,bc是评论级别的偏置向量,uc是上下文向量,v是加权后的评论信息;
步骤S105:针对图像和/或视频,通过one-hot编码的方式,然后利用多层感知机进行特征提取;
步骤S2还包括:
步骤S201:针对不同学习到的向量,通过多层感知机分别进行特征提取,然后将其串联起来整体进行特征提取。
2.根据权利要求1所述的一种社交网络上的多模态网络欺凌检测模型,其特征在于,步骤S103的双向长短期记忆网络Bi-LSTM中,长短期网络有三个门控单元,分别是输入门it、遗忘门ft以及输出门ot,当前t时刻的输入门it、遗忘门ft以及输出门ot的更新公式为:
it=σ(xtWxi+ht-1Whi+bi)
ft=σ(xtWxf+ht-1Whf+bf)
ot=σ(xtWxo+ht-1Who+bo)
ht是每一个状态的隐藏状态,ht-1是前一个时刻的隐藏状态,xt是词嵌入后的词向量,Wxi,Wxf,Wxo,Whi,Whf,Who是权重向量,bi,bf,bo是偏置向量;
计算隐藏状态ht公式如下:
ht=ot⊙tanh(ct)
其中,ct为当前记忆,为候选记忆;
对每句文本分别采用正序和逆序的两种方式,每个时刻产生两个隐藏状态:
3.根据权利要求1或2所述的一种社交网络上的多模态网络欺凌检测模型,其特征在于,
步骤S101包括停用词处理、大小写转换、词形还原的一种或一种以上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010662871.5A CN111814454B (zh) | 2020-07-10 | 2020-07-10 | 一种社交网络上的多模态网络欺凌检测模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010662871.5A CN111814454B (zh) | 2020-07-10 | 2020-07-10 | 一种社交网络上的多模态网络欺凌检测模型 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814454A CN111814454A (zh) | 2020-10-23 |
CN111814454B true CN111814454B (zh) | 2023-08-11 |
Family
ID=72843012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010662871.5A Active CN111814454B (zh) | 2020-07-10 | 2020-07-10 | 一种社交网络上的多模态网络欺凌检测模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814454B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112559683A (zh) * | 2020-12-11 | 2021-03-26 | 苏州元启创人工智能科技有限公司 | 基于多模态数据及多交互记忆网络的方面级情感分析方法 |
CN113128671B (zh) * | 2021-04-19 | 2022-08-02 | 烟台大学 | 一种基于多模态机器学习的服务需求动态预测方法及*** |
CN113361198B (zh) * | 2021-06-09 | 2023-11-03 | 南京大学 | 一种基于公共和私有信息挖掘的众包测试报告融合方法 |
CN113779310B (zh) * | 2021-09-10 | 2023-06-02 | 电子科技大学 | 一种基于层级表征网络的视频理解文本生成方法 |
CN113822045B (zh) * | 2021-09-29 | 2023-11-17 | 重庆市易平方科技有限公司 | 一种基于多模态数据的影评质量的识别方法及相关装置 |
CN114036366A (zh) * | 2021-11-19 | 2022-02-11 | 四川大学 | 一种基于文本语义及层次结构的社交网络欺凌检测方法 |
CN117035074B (zh) * | 2023-10-08 | 2024-02-13 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于反馈强化的多模态知识生成方法及装置 |
CN117077085B (zh) * | 2023-10-17 | 2024-02-09 | 中国科学技术大学 | 大模型结合双路记忆的多模态有害社交媒体内容识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472236A (zh) * | 2019-07-23 | 2019-11-19 | 浙江大学城市学院 | 一种基于注意力机制的双向gru文本可读性评估方法 |
CN110502749A (zh) * | 2019-08-02 | 2019-11-26 | 中国电子科技集团公司第二十八研究所 | 一种基于双层注意力机制与双向gru的文本关系抽取方法 |
CN111274403A (zh) * | 2020-02-09 | 2020-06-12 | 重庆大学 | 一种网络欺凌检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11093560B2 (en) * | 2018-09-21 | 2021-08-17 | Microsoft Technology Licensing, Llc | Stacked cross-modal matching |
-
2020
- 2020-07-10 CN CN202010662871.5A patent/CN111814454B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472236A (zh) * | 2019-07-23 | 2019-11-19 | 浙江大学城市学院 | 一种基于注意力机制的双向gru文本可读性评估方法 |
CN110502749A (zh) * | 2019-08-02 | 2019-11-26 | 中国电子科技集团公司第二十八研究所 | 一种基于双层注意力机制与双向gru的文本关系抽取方法 |
CN111274403A (zh) * | 2020-02-09 | 2020-06-12 | 重庆大学 | 一种网络欺凌检测方法 |
Non-Patent Citations (1)
Title |
---|
网络欺凌检测综述;宋宇琦等;《电子学报》;第48卷(第6期);第1220-1229页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111814454A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814454B (zh) | 一种社交网络上的多模态网络欺凌检测模型 | |
CN110321563B (zh) | 基于混合监督模型的文本情感分析方法 | |
Neill et al. | Classifying sentential modality in legal language: a use case in financial regulations, acts and directives | |
Kruszewski et al. | Deriving boolean structures from distributional vectors | |
CN114064918A (zh) | 一种多模态事件知识图谱构建方法 | |
Zheng et al. | A deep model based on lure and similarity for adaptive clickbait detection | |
Guo et al. | Implicit discourse relation recognition via a BiLSTM-CNN architecture with dynamic chunk-based max pooling | |
Kim et al. | A convolutional neural network in legal question answering | |
Liu et al. | Text emotion recognition using GRU neural network with attention mechanism and emoticon emotions | |
Hamza et al. | Arabic duplicate questions detection based on contextual representation, class label matching, and structured self attention | |
Lee et al. | Detecting suicidality with a contextual graph neural network | |
Anass et al. | Deceptive opinion spam based on deep learning | |
Chan et al. | Optimization of language models by word computing | |
Granskogen | Automatic detection of fake news in social media using contextual information | |
Xu et al. | Research on depression tendency detection based on image and text fusion | |
Bugueño et al. | Learning to combine classifiers outputs with the transformer for text classification | |
CN113515935B (zh) | 一种标题生成方法、装置、终端及介质 | |
Jiang et al. | Sentiment classification based on clause polarity and fusion via convolutional neural network | |
M'Charrak | Deep learning for natural language processing (nlp) using variational autoencoders (vae) | |
CN117972497B (zh) | 基于多视图特征分解的虚假信息检测方法及*** | |
Vadavalli et al. | Deep Learning based truth discovery algorithm for research the genuineness of given text corpus | |
Singh et al. | Identifying hidden sentiment in text using deep neural network | |
Alfarano | Detecting fake news using natural language processing | |
Retnoningrum et al. | Stance Analysis of Policies Related to Emission Test Obligations using Twitter Social Media Data | |
Cao et al. | COVID-19 Content Safety Detection Algorithm Based on Multimodal Robustness |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |