تشخیص چندکلاسه گفتار نفرت در توییتر با بهرهگیری از مدل ترکیبی یادگیری عمیق (BiGRU) و شبکههای کپسولی
تشخیص چندکلاسه گفتار نفرت در توییتر با بهرهگیری از مدل ترکیبی یادگیری عمیق (BiGRU) و شبکههای کپسولی
مهدیه محمدی یزدی1 علی بزرگمهر2
1) دانشجویی کارشناسی ارشد شبکه های کامپیوتری،دانشگاه جامع انقلاب اسلامی
2) _ استادیار دانشگاه جامع انقلاب اسلامی
کد IOI مقاله
:
AAHD-ABKGCF
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
گسترش روزافزون شبکههای اجتماعی، چالشهای جدیدی از جمله انتشار گفتار نفرتانگیز را به همراه داشته است؛ از این رو، تشخیص خودکار و دقیق این نوع محتوا برای حفظ امنیت روانی کاربران در محیطهای آنلاین امری ضروری محسوب میشود. در این پژوهش، یک مدل ترکیبی نوین مبتنی بر یادگیری عمیق با نام اچ_جی_بی_کپس برای تشخیص و طبقهبندی گفتار نفرتانگیز ارائه شده است. معماری پیشنهادی از ادغام سه بخش اصلی شامل لایه تعبیه کلمات ، لایه شبکه عصبی بازگشتی گیتی دوسویه و شبکههای کپسولـی تشکیل یافته است تا با بهرهگیری حداکثری از اطلاعات متنی، عملکرد سیستم تشخیص را بهبود بخشد. ساختار مذکور امکان استخراج دقیقتر ویژگیهای پنهان متون و درک عمیقتر وابستگیهای طولانیمدت معنایی را فراهم میسازد. از ویژگیهای بارز مدل پیشنهادی، قابلیت تعمیمپذیری بالای آن در هر دو رویکرد طبقهبندی باینری و چندکلاسه است. نتایج حاصل از ارزیابیهای تجربی نشان میدهد که مدل اچ_جی_بی_کپس در سناریوی چالشبرانگیز طبقهبندی چندکلاسه به دقت ۸۰ درصد (۰.۸۰) دست یافته است. مقایسه این نتایج با پژوهشهای مشابه پیشین، حاکی از بهبود قابلتوجه عملکرد و کارایی مدل پیشنهادی در شناسایی و تفکیک دقیق کلاسهای مختلف گفتار نفرتانگیز است.
کلمات کلیدی : تشخیص گفتار نفرت توییتر شبکه capsule طبقهبندی چندگانه یادگیری عمیق