基于语义拼写理解和门控注意力机制的不良言论检测

如何自动检测网络传播的不良言论信息是自然语言处理研究领域的热门研究内容之一。针对不良言论中语义表达和拼写习惯的特点,提出一种基于语义拼写理解和门控注意力机制的不良言论检测方法。该方法采用自注意力机制获取文本的语义特征,采用卷积神经网络提取文本的拼写特征,采用前期特征融合和门控注意力机制相结合的方式融合语义和拼写特征。在两个公共数据集上的实验结果表明,提出的模型能够有效地提取不良言论的语义特征,提高不良言论检测的性能。

多任务学习在不良言论与个体特征检测中的应用

多任务学习在自然语言处理领域有广泛应用,但多任务模型往往对任务间的相关性比较敏感.如果任务相关性较低或信息传递不合理,可能会严重影响任务性能.本文提出了一种新的共享-私有结构的多任务学习模型BB-MTL(BERT-BiLSTM multi-task learning model),并借助元学习的思想为其设计了一种特殊的参数优化方式MLL-TM(meta-learning-like train methods).进一步引入一个新的信息融合门SoWLG(Softmax weighted linear gate),用于选择性地融合每项任务的共享特征与私有特征.实验验证所提出的多任务学习方法,考虑到用户在网络上的行为与其个体特征密切相关,文中结合了不良言论检测、人格检测和情绪检测任务进行了一系列实验.实验结果表明,BB-MTL能够有效学习相关任务中的特征信息,在3项任务上的准确率分别达到了81.56%、77.09%和70.82%.

突发公共事件中不良言论群体的用户画像研究

文章以某环境突发公共事件为例,利用基本信息标签和特征标签构建微博用户群体的用户画像,分析微博的不良言论群体用户特征,并对不同用户群体进行比较分析。研究表明,不良言论群体的特征较为隐晦,政府及媒体需加强过滤机制。此外,基于不良言论群体用户特征,提出对控制社交媒体的不良言论的措施与建议。

突发环境事件中微博影响力的预测研究

构建突发环境事件中微博影响力预测模型,有助于相关部门及早发现问题,并采取行动,保障网络舆情平稳发展。因此,本文以“xx突发环境事件”为研究对象,根据微博转发、点赞和评论次数衡量其影响力,选取微博用户、内容、时间特征,建立基于AdaBoost算法的微博影响力预测模型,并对微博特征重要性进行分析,结果表明该模型的预测精度可达到93.2%,能够较好地完成预测任务。此外,微博的内容、时间特征、用户基本信息、用户活跃度均对微博影响力产生作用,长文本的、通知类的微博影响力更高,白天发布的微博影响力要比晚上发布的高,政府媒体用户和大V用户发布的微博影响力更高,原创度高的用户发布的微博影响力也会更高。