National and Kapodistrian University of Athens
Hate Speech Detection using different text representations in online user comments
Abstract
dc:descriptionΗ ρητορική μίσους αφορά την διατύπωση προσβολών, απειλών ή στερεοτυπικών απόψεων απέναντι σε μια ομάδα ανθρώπων εξαιτίας κάποιου χαρακτηριστικού όπως η καταγωγή, το φύλο, η θρησκεία, οι σεξουαλικές προτιμήσεις κλπ. Τέτοιου είδους επιθέσεις είναι εκτός νόμου σε όλες τις σύγχονες και ανεπτυγμένες κοινωνίες, πχ ΗΠΑ, ΕΕ. Παρόλα αυτά το Διαδίκτυο και ιδιαίτερα οι πλατφόρμες κοινωνικής δικτύωσης δίνουν τη δυνατότητα διάδοσης τέτοιου είδους περιεχομένου εύκολα, γρήγορα και ανώνυμα. Έτσι, σε συνδυασμό με τη σημερινή οικονομική κρίση που ευνοεί την ανάπτυξη τέτοιων απόψεων, παρατηρούμε μια έξαρση του φαινομένου που δίνει τη δυνατότητα ο λόγος αυτός να φτάσει ένα πολύ μεγαλύτερο αριθμό ανθρώπων απ’ ότι στο παρελθόν. Ο τεράστιος αριθμός των δεδομένων που παράγονται στις παραπάνω πλατφόρμες καθιστά αδύνατο τον εντοπισμό αναρτήσεων από κάποιον διαχειριστή σελίδας ή από αναφορές χρηστών, κάνοντας αναγκαία τη χρήση αυτόματων εργαλείων εντοπισμού ρητορικής μίσους. Στα πλαίσια αυτής της εφαρμογής, στην παρούσα εργασία μελετάμε πολλαπλές τεχνικές αναπαραστάσεων κειμένου (Bag of Words, Bag of word/character n-grams, sentiment, syntax and grammar analysis features, word embeddings και n-gram graphs), καθώς και πληθώρα ενώ οι αλγορίθμων ταξινόμησης (Naive Bayes, Logistic Regression, Random Forests, K-Nearest Neighbors και Artificial Neural Networks). Υλοποιήσαμε πειράματα τόσο για δυαδική ταξινόμηση, όπου ο σκοπός του μοντέλου είναι η απόφαση εάν το κείμενο εισόδου περιέχει ρητορική μίσους ή όχι, όσο και για κατηγοριοποίηση πολλαπλών κλάσεων, όπου ο ταξινομητής προσπαθεί να διαχωρίσει μεταξύ διαφορετικών ειδών ρητορικής μίσους (π.χ. σεξισμός, ρατσισμός, κ.α.). Στόχος μας είναι να εξετάσουμε την απόδοση της κάθε τεχνικής αναπαρά- στασης και ταξινόμησης και να αναδείξουμε τις μεθόδους με την καλύτερη απόδοση. Επιπλέον, εξετάσαμε κατά πόσο οι συνδυασμοί διαφόρων τεχνικών αναπαράστασης κειμέ- νων επιτυγχάνουν καλύτερα αποτελέσματα από τη μεμονωμένη χρήση τους. Τέλος, δεί- χνουμε ότι η χρήση των n-gram graphs, που αναπαρίστανται από ένα διάνυσμα μικρών διαστάσεων, μπορεί να συμβάλει σημαντικά στον εντοπισμό της ρητορικής μίσους. Τα πειράματα έδειξαν ότι τα πιο αποδοτικά features είναι τα BoW, word embeddings με τους NGGs να ακολουθούν με ελαφρώς χειρότερη απόδοση. Επιπρόσθετα, ο συνδυασμός των προαναφερθέντων μεθόδων αναπαράστασης έχει την καλύτερη απόδοση σε σύγκριση με όλα τα υπόλοιπα features, είτε αυτά εξετάστηκαν μεμονωμένα είτε σε συνδυασμό με άλλα features. Τέλος, οι αλγόριθμοι ταξινόμησης φαίνεται να μην έχουν ιδιαίτερη στατιστική σημασία, μιας και τα αποτελέσματα στα στατιστικα τεστ είναι παρόμοια για όλους τους αλγορίθμους που χρησιμοποιήσαμε.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Θεμελή Χρυσούλα
- Themeli Chrysoula
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:2800879