Onderzoekers van de King Saud University, in Saudi Arabie, hebben een nieuwe aanpak ontwikkeld om cyberpesten op Twitter te detecteren met behulp van deep learning, OCDD genaamd. In tegenstelling tot andere benaderingen van diep leren, die functies uit tweets halen en deze naar een classifier voeren, hun methode vertegenwoordigt een tweet als een set woordvectoren.

In recente jaren, cyberpesten op sociale media is een enorm en veelbesproken probleem geworden. Cyberpesten omvat het gebruik van online communicatiekanalen om andere gebruikers te pesten door intimiderende, bedreigende of beledigende berichten. Dit kan psychologische en soms levensbedreigende gevolgen hebben voor de slachtoffers.

Wereldwijd proberen onderzoekers nieuwe manieren te ontwikkelen om cyberpesten op te sporen, beheren en de prevalentie ervan op sociale media verminderen. Veel deep learning-benaderingen om cyberpesten te identificeren door tekst- en gebruikersfuncties te analyseren. Echter, deze technieken hebben verschillende beperkingen, die hun prestaties aanzienlijk kunnen verminderen.

Bijvoorbeeld, sommige van deze benaderingen proberen de detectie te verbeteren door nieuwe functies te introduceren. Maar het vergroten van het aantal features kan de fases voor het extraheren en selecteren van features bemoeilijken. Bovendien, deze benaderingen gaan er niet van uit dat sommige gebruikersgegevens, zoals leeftijd en geboortedatum, gemakkelijk kan worden gefabriceerd. Om de beperkingen van bestaande detectiemethoden voor cyberpesten aan te pakken, Monirah A. Al-Ajlan en Mourad Ykhlef, twee onderzoekers van de King Saud University, stelde een nieuwe aanpak voor genaamd geoptimaliseerde Twitter cyberpestendetectie (OCDD).

"In tegenstelling tot eerder werk op dit gebied, OCDD haalt geen kenmerken uit tweets en voert ze naar een classifier:in plaats daarvan het vertegenwoordigt een tweet als een set woordvectoren, " leggen de onderzoekers uit in hun paper, gepubliceerd op IEEE Explore en gepresenteerd op de 21 ^NS Saudi Computer Society Nationale Computerconferentie (NCC). "Op deze manier, de semantiek van woorden blijft behouden, en de fases voor het extraheren en selecteren van kenmerken kunnen worden geëlimineerd."

Al-Ajlan en Ykhlef bouwden hun aanpak op gelabelde trainingsgegevens en genereerden woordinsluitingen voor individuele woorden met GloVe, een niet-gesuperviseerd leeralgoritme dat vectorrepresentaties voor woorden kan verkrijgen. Deze woordinbeddingen worden vervolgens naar een convolutioneel neuraal netwerk (CNN) gevoerd om te detecteren of ze in verband kunnen worden gebracht met cyberpesten.

CNN-algoritmen bestaan ​​meestal uit een invoer- en uitvoerlaag, evenals verschillende andere lagen. Het handmatig instellen van parameters voor elk van deze lagen kan een tijdrovende en uitdagende taak zijn. De onderzoekers besloten daarom een ​​metaheuristisch optimalisatie-algoritme in hun model op te nemen, die dit proces kan vergemakkelijken door optimale of bijna optimale waarden te identificeren die voor classificatie moeten worden gebruikt.

"OCDD verbetert de huidige staat van detectie van cyberpesten door de moeilijke taak van het extraheren/selecteren van functies te elimineren en te vervangen door woordvectoren die de semantiek van woorden vastleggen en CNN dat tweets op een intelligentere manier classificeert dan traditionele classificatie-algoritmen, ' schrijven de onderzoekers in hun paper.

Wanneer getest op text mining-taken, OCDD behaalde veelbelovende resultaten. Echter, het moet nog worden geïmplementeerd en geëvalueerd binnen de context van detectie van cyberpesten. De onderzoekers zijn nu van plan hun aanpak aan te passen, zodat deze ook tekst in het Arabisch kan analyseren.

© 2019 Wetenschap X Netwerk