基于机器学习和深度学习的方法,使用融合数据集对社交网络上的孟加拉语评论进行分类

科学领域:

• 计算语言学 计算语言学
• 人工智能的人工智能
• 社交计算社会计算

背景情况:

• 在线骚扰对心理健康和学业成功构成重大威胁.
• 早期发现在线骚扰对于减轻其负面后果至关重要.
• 社交媒体平台需要强大的工具来识别和预防网络欺凌.

研究的目的:

• 开发和评估机器学习 (ML) 和深度学习 (DL) 模型,以检测在线骚扰的孟加拉语评论.
• 通过识别和消除网络欺凌,创造一个没有批评的在线环境.
• 提高在线骚扰检测系统的准确性和效率.

主要方法:

• 利用了自然语言处理 (NLP) 技术,包括令牌化和填充.
• 应用术语频率-反向文档频率 (TF-IDF) 与计数向量化器用于特征提取.
• 实施了各种ML模型 (MLP,K-NN,XGBoost等) 和DL模型 (DNN,CNN,C-LSTM,BiLSTM) 的使用.
• 结合了两个数据集,创建了一个由94,000个孟加拉语评论组成的集体,用于培训和验证.

主要成果:

• 一个混合ML模型 (MLP+SGD+LR) 证明了卓越的性能.
• 混合型号实现了99.34%的准确率,99.34%的精度,99.33%的回忆率和99.34%的F1分数,用于多标签分类.
• 二元分类模型实现了99.41%的准确性.

结论:

• 拟议的混合ML模型在检测孟加拉文本中的在线骚扰方面非常有效.
• 先进的ML和DL技术可以显著提高在线安全和用户福祉.
• 这些发现为开发实时网络欺凌检测系统提供了坚实的基础.