Deep Learning Based Fusion Approach for Hate Speech Detection

Zhou, Yanling; Yang, Yanyan; Liu, Han; Liu, Xiufeng; Savage, Nick

doi:10.1109/access.2020.3009244

Cited by 63 publications

(43 citation statements)

References 22 publications

(25 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…We shall mention the merits of the recently introduced ELMO word embedding model, which was designed to overcome the aforementioned shortcoming. A recent work by Zhou et al [161] using ELMO embedding showed a better performance compared to CNN. However, since ELMO is a relatively new, the in-depth comparison with other embedding model is still in its infancy.…”

Section: Overview Of Deep-learning Recordsmentioning

confidence: 94%

A systematic review of Hate Speech automatic detection using Natural Language Processing

Saroar¹,

Oussalah²

2021

Preprint

View full text Add to dashboard Cite

With the multiplication of social media platforms, which offer anonymity, easy access and online community formation and online debate, the issue of hate speech detection and tracking becomes a growing challenge to society, individual, policy-makers and researchers. Despite efforts for leveraging automatic techniques for automatic detection and monitoring, their performances are still far from satisfactory, which constantly calls for future research on the issue. This paper provides a systematic review of literature in this field, with a focus on natural language processing and deep learning technologies, highlighting the terminology, processing pipeline, core methods employed, with a focal point on deep learning architecture. From a methodological perspective, we adopt PRISMA guideline of systematic review of the last 10 years literature from ACM Digital Library and Google Scholar. In the sequel, existing surveys, limitations, and future research directions are extensively discussed.

show abstract

Section: Overview Of Deep-learning Recordsmentioning

confidence: 94%

A systematic review of Hate Speech automatic detection using Natural Language Processing

Saroar¹,

Oussalah²

2021

Preprint

View full text Add to dashboard Cite

show abstract

“…More recently, many works [21,22,23,34,24,25,26,27] remarking that in [20,23], LR obtained very competitive rates compared to the proposals.…”

Section: Ensemble For Hate Speech Detectionmentioning

confidence: 99%

“…Based on Table 1, we can see that more and more research works are considering an ensemble model to improve hate speech detection [24,26,23,19,17]. Some works generate an ensemble by just changing the classification model [17] employed, while others consider a homogeneous ensemble trained with different input features [25,24]. Furthermore, multiple works only consider features from the same families such as [25,24,28] which are only based on language models like BERT and other variations.…”

Section: Literature Gapmentioning

confidence: 99%

Selecting and combining complementary feature representations and classifiers for hate speech detection

Cruz¹,

V.²,

Cavalcanti³

2022

Preprint

View full text Add to dashboard Cite

Hate speech is a major issue in social networks due to the high volume of data generated daily.Recent works demonstrate the usefulness of machine learning (ML) in dealing with the nuances required to distinguish between hateful posts from just sarcasm or offensive language. Many ML solutions for hate speech detection have been proposed by either changing how features are extracted from the text or the classification algorithm employed. However, most works consider only one type of feature extraction and classification algorithm. This work argues that a combination of multiple feature extraction techniques and different classification models is needed. We propose a framework to analyze the relationship between multiple feature extraction and classification techniques to understand how they complement each other.The framework is used to select a subset of complementary techniques to compose a robust multiple classifiers system (MCS) for hate speech detection. The experimental study considering four hate speech classification datasets demonstrates that the proposed framework is a promising methodology for analyzing and designing high-performing MCS for this task. MCS system obtained using the proposed framework significantly outperforms the combination of all models and the homogeneous and heterogeneous selection heuristics, demonstrating the importance of having a proper selection scheme. Source code, figures and dataset splits can be found in the GitHub repository: https://github.com/Menelau/Hate-Speech-MCS.

show abstract

“…Yapılan incelemeler sonucunda NS tespiti için derin öğrenme yaklaşımları ile yapılan çalışmalarda literatürde yer almaktadır [18][19][20][21]. Tripathy ve arkadaşları Derin Evrişimli Sinir Ağı (DCNN) kullanılarak otomatik bir NS tespit sistemi geliştirilmiştir.…”

Section: İlgili çAlışmalarunclassified

Çevrimiçi Sosyal Ağlarda Nefret Söylemi Tespiti için Yapay Zeka Temelli Algoritmaların Performans Değerlendirmesi

Baydoğan

Alataş

2021

Fırat Üniversitesi Mühendislik Bilimleri Dergisi

View full text Add to dashboard Cite

Öz: Çevrimiçi sosyal medya araçlarının kullanımının artması Nefret Söylemi (NS) başta olmak üzere birçok sosyal ağ problemini beraberinde getirdi. Sosyal ağlarda hızla yayılan NS içeren yazı, resim, kışkırtıcı karikatür, tweet, post vb. iletiler ifade özgürlüğünün ötesine geçmektedir. Dahası bir olayı, rejimi, etnik kökeni, cinsiyet ayrımcılığını, krizi, gündemi vb. durumları hedef alan ve kontrolsüz bir şekilde yayılan bu içerikler insanlar arasında korku ve endişeye sebep olmaktadır. Bu problemlerin çözümü için çalışmada önerilen NS tespit sisteminin geliştirilmesi son derece kritiktir. Önerilen NS tespit sisteminde, sosyal ağlar üzerinde paylaşılan NS tweetlerin otomatik tespiti için yapay sinir ağları ve makine öğrenmesi yöntemlerinden oluşan yapay zeka temelli algoritmalar kullanıldı. Çalışmanın ilk adımında seçilen veri seti üzerinde temel doğal dil işleme teknikleri uygulandı. Ardından, veri setinin temsili için kelime çantası (BoW), terim frekansı (TF) ve terim doküman matris (t-DM) gibi özellik çıkarım teknikleri gerçekleştirildi. Naive Bayes, Destek Vektör Makinesi, iki farklı Karar Ağacı ve Çok Katmanlı Algılayıcı olmak üzere beş farklı yapay zeka temelli algoritma ile NS tespit sistemi tamamlandı. Önerilen sistemin güvenilirliğini kanıtlamak için farklı eğitim ve test teknikleri kullanılarak performans değerlendirme metrikleri hesaplandı. Farklı test teknikleriyle en yüksek doğruluk değeri Karar Ağaçları ve Çok Katmanlı Algılayıcılar tarafından %80 olarak elde edildi. Önerilen NS tespit sistemine ait diğer tüm deney sonuçları tablo ve grafiklerle ayrıntılı bir şekilde Bölüm 4'de sunulmuştur. Ulaşılan umut verici sonuçlar birçok farklı sosyal ağ problemlerinin çözümü için önerilen otomatik tespit sisteminin kullanılabileceğini göstermektedir.

show abstract

Deep Learning Based Fusion Approach for Hate Speech Detection

Cited by 63 publications

References 22 publications

A systematic review of Hate Speech automatic detection using Natural Language Processing

A systematic review of Hate Speech automatic detection using Natural Language Processing

Selecting and combining complementary feature representations and classifiers for hate speech detection

Çevrimiçi Sosyal Ağlarda Nefret Söylemi Tespiti için Yapay Zeka Temelli Algoritmaların Performans Değerlendirmesi

Contact Info

Product

Resources

About