Short Text Classification Based on Hybrid Semantic Expansion and Bidirectional GRU (BiGRU) based Method to Improve Hate Speech Detection
Notice bibliographique
Résumé
The persistent prevalence of hate speech on contemporary social media platforms demands advanced detection methods to address specific categories and levels of offenses.This research focuses on enhancing hate speech detection by refining text representation through a semantic expansion approach, surpassing the limitations of conventional methods.The back-translation technique is employed to enhance sentence structure.Initially, the Lesk Algorithm is utilized for word disambiguation in the semantic expansion process, identifying word meanings within relevant contexts.Subsequently, knowledge bases from WordNet and Kateglo are leveraged to enrich contextual information.The final step involves using Cosine Similarity to select the most appropriate words based on the highest scores.The combined semantic expansion technique significantly improves classification performance compared to conventional methods.Data, with and without semantic expansion, is vectorized into the BERT embedding space and classified using deep learning models such as CNN, BiGRU, and BiLSTM.The proposed approach consistently demonstrates high accuracy across all model types: CNN (88%), BiGRU (88.3%), and BiLSTM (87.3%).In contrast, models without semantic expansion yield relatively lower results-CNN (83.6%),BiGRU (83.3%), and BiLSTM (83.1%).This underscores the substantial breakthrough of the semantic expansion approach in overcoming challenges related to data distribution and semantic feature scarcity, ultimately resulting in improved classification performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».