文献

J-GLOBAL ID：202202224302563722   整理番号：22A1037875

LSTMと単語埋込みを用いたソーシャルメディアにおける自動毒性分類【JST・京大機械翻訳】

An Automated Toxicity Classification on Social Media Using LSTM and Word Embedding

著者 (6件)： Alsharef Ahmad (Yogananda School of Artificial Intelligence, Computing and Data Science, Shoolini University, Solan, Himachal Pradesh 173229, India) ,  Aggarwal Karan (Electronics and Communication Engineering Department, Maharishi Markandeshwar (Deemed to be University), Mullana, Ambala 133207, India) ,  Sonia (Yogananda School of Artificial Intelligence, Computing and Data Science, Shoolini University, Solan, Himachal Pradesh 173229, India) ,  Koundal Deepika (Department of Systemics, School of Computer Science, University of Petroleum & Energy Studies, Dehradun, India) ,  Alyami Hashem (Department of Computer Science, College of Computers and Information Technology, Taif University, P.O. Box 11099, Taif 21944, Saudi Arabia) ,  Ameyed Darine (System Engineering Department, Ecole de Technologie Superieure, University of Quebec, Montreal, Canada)
資料名： Computational Intelligence and Neuroscience (Web)  (Computational Intelligence and Neuroscience (Web))
巻： 2022  ページ： Null  発行年： 2022年 
JST資料番号： U7694A  ISSN： 1687-5265  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： テキストにおける毒性の自動同定は,ソーシャルメディア世界が,緩やかな hから下りの幸福までの範囲である,非濾過コンテンツで reTeされているので,テキスト分析における重要な領域である。研究者は訓練データセットに起因する意図しないバイアスと不公平性を見出し,それは文脈で毒性語の不正確な分類を引き起こした。本論文では,テキストにおける毒性の位置決めのためのいくつかのアプローチを評価し,テキスト分類の全体的品質の強化を目的として提示した。一般的教師なし方法は,バイアスを緩和し,F1スコアを増強する間,精度を改善するために,最先端のモデルと外部埋込みに依存して使用された。提案アプローチでは,変換者(BERT)からの双方向エンコーダ表現により生成された単語埋込みと,Glove単語埋込みおよびLSTMとの長い短期メモリ(LSTM)深層学習モデルの組合せを用いた。これらのモデルを訓練し,毒性として分類された多数のコメントを含む大きな二次定性的データで試験した。結果は,コメントのバイナリ分類(毒性および非毒性)にBERT単語埋込みを有するLSTMを用いて,94%の許容精度および0.89のF1スコアを達成したことを見出した。LSTMとBERTの組合せは,Glove単語埋込みによるLSTM非コンパニとLSTMの両方よりも良好であった。本論文では,訓練データのみではなく,テキストのより大きなコーパス(高品質単語埋込み)を持つモデルにより,高精度でコメントを分類する問題を解決することを試みた。Copyright 2022 Ahmad Alsharef et al. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  表現 ,  品質 ,  符号器 ,  文脈 ,  *単語 ,  *情報メディア ,  機械学習 ,  コーパス ,  コンテンツ
準シソーラス用語： テキスト分類 ,  訓練データ ,  高品質 ,  *ソーシャルメディア ,  テキスト解析 ,  深層学習 ,  二値分類 , 【Automatic Indexing@JST】

分類 (2件)： 自然語処理  (JE06000L) ,  人工知能  (JE08000Z)

引用文献 (43件)：

• B. Van Aken, J. Risch, A. Krestel, A. Löser, "Challenges for toxic comment classification: An in-depth error analysis," 2018, https://arxiv.org/abs/1809.07572.
• D. Borkan, L. Dixon, J. Sorensen, N. Thain, L. Vasserman, "Nuanced metrics for measuring unintended bias with real data for text classification," Proceedings of the Companion Proceedings of the 2019 World Wide Web Conference, pp. 491-500, San Francisco, CA, USA, May 2019.
• F. Ahmadi, Sonia, G. Gupta, S. R. Zahra, P. Baglat, P. Thakur, "Multi-factor biometric authentication approach for fog computing to ensure security perspective," Proceedings of the 2021 8th International Conference on Computing for Sustainable Global Development (INDIACom), pp. 172-176, IEEE, New Delhi, India, March 2021.
• Data.world, "Twitter," https://data.world/marcusyyy/twitter.
• A. Onan, "Topic-enriched word embeddings for sarcasm identification," Advances in Intelligent Systems and Computing, pp. 293-304, Springer, New York, NY, USA, 2019.

タイトルに関連する用語 (6件)： LSTM ,  単語 ,  埋込み ,  ソーシャルメディア ,  毒性 ,  分類