基于混合架构神经网络的攻击性言论识别与分类研究

为提高中文攻击性言论识别能力,文中设计了一种基于混合架构的神经网络模型。该模型首先采用BERT对输入的文本序列进行编码,得到文本中每个词语的动态词向量表示;然后应用BiLSTM进一步增强对文本语义的理解,并通过CNN来捕捉局部特定短语或词汇的关键语义特征。实验结果表明,相较于单一架构的神经网络模型,该模型能更好地应用于中文攻击性言论识别任务,具备更高的识别准确性。

基于混合神经网络的社交媒体攻击性言论识别方法研究

在社交媒体攻击性言论识别任务中,现有研究未能充分发挥不同神经网络的潜力和优势,导致识别准确度受限。针对上述问题,提出一种融合BERT预训练模型、双向长短期记忆网络(BiLSTM)、自注意力机制(SA)以及多尺度卷积神经网络(MCNN)的攻击性言论识别模型(BERT-BiLSTM-SA-MCNN)。首先,利用BERT预训练模型对输入文本数据进行编码转换;其次,通过BiLSTM网络与自注意力机制捕获文本的全局语义特征;再次,借助多尺度卷积神经网络提取文本中的重要局部特征;最后,通过全连接层进行攻击性言论的分类识别。实验结果表明,BERT-BiLSTM-SA-MCNN模型在社交媒体攻击性言论识别任务中表现出较好的性能,准确率、精确率、召回率和F1值分别达到86.67%、84.20%、89.74%和86.79%,具有较高的准确性和泛化能力。

结合Bi-LSTM与VDCNN的社交网络攻击性言论识别方法

互联网宽松环境下社交网络语言攻击频发,在极大地占用公共资源的同时传递了负面情绪,不利于网民的理性思考,智能识别并采取相应措施能够避免社交网络语言攻击进一步扩散。为了解决社交网络攻击性言论的识别问题,针对网络用语的创新性、不规范性特点,使用BERT文本嵌入作为输入来训练文本分类模型,建立字符级的Bi-LSTM和VDCNN融合文本分类模型,将序列信息和局部相关性信息融合起来,通过与单一Bi-LSTM模型、单一VDCNN模型,其他Bi-LSTM和VDCNN混合模型以及基于深度学习的文本分类器在新浪微博的粉丝攻击性言论数据集上进行对比实验,验证了Bi-LSTM-VDCNN的优越性和有效性。