Performing Stance Detection on Twitter Data using Computational Linguistics Techniques
Indiana University（印第安纳大学）
作为人类，我们经常可以从一个人的话语中检测到他或她是否赞成或反对给定的目标实体（主题，产品，另一个人等）。但从计算机的角度来看，我们需要一种方法来自动推断高音喇叭的立场，只给出推文文本。在本文中，我们提出了我们的结果，使用监督的方法对Twitter数据进行姿态检测。我们首先提取词袋来使用TIMBL进行分类，然后尝试优化特征以提高立场检测准确性，然后使用两组词典扩展数据集-争论和MPQA主观性;接下来我们探索MALT解析器并使用其依赖三元组构建特征，最后我们使用Scikit-learn随机森林实现进行分析。
2017-03-06 cs.CL
One-step and Two-step Classification for Abusive Language Detection on Twitter
Hong Kong University of Science and Technology（香港科技大学）
滥用语言的自动检测是在线社交媒体的一项困难但重要的任务。我们的研究探讨了一个两步的方法进行分类的辱骂性语言，然后分类到特定的类型，并比较它与一步的方法做一个多类分类检测性别歧视和种族主义的语言。在一个包含2万条性别歧视和种族主义类型推文的公共英语Twitter语料库中，我们的方法通过使用HybridCNN一步和使用逻辑回归两步显示出0.824 F-测量的良好性能。
2017-06-05 cs.CL
Predictive Embeddings for Hate Speech Detection on Twitter
Columbia University（哥伦比亚大学）
我们提出了一种基于神经网络的方法来分类在线仇恨言论，特别是种族主义和性别歧视言论。使用预训练的词嵌入和来自这些嵌入的简单、全连接变换的最大/均值池，我们能够预测三个常用的公开数据集上仇恨言论的发生。与以前的方法相比，我们的模型在所有三个数据集上使用更少的参数和最小的特征预处理，匹配或优于最先进的F1性能。
2018-09-27 cs.CL
Rumor Detection on Twitter with Claim-Guided Hierarchical Graph Attention Networks
Beijing University of Posts and Telecommunications（北京邮电大学）；Hong Kong Baptist University（香港浸会大学）；Jilin University（吉林大学）
在社交媒体时代，谣言泛滥。对话结构提供了区分真实和虚假声明的有价值的线索。然而，现有的谣言检测方法要么局限于用户响应的严格关系，要么过于简化会话结构。在这项研究中，大大加强了用户意见的互动，同时减轻不相关的职位所带来的负面影响，我们首先表示的会话线程作为一个无向交互图。然后，我们提出了一个索赔引导的层次图注意力网络的谣言分类，提高了表示学习的响应帖子考虑到整个社会背景和出席的帖子，可以语义推断的目标索赔。在三个Twitter数据集上进行的大量实验表明，我们的谣言检测方法比最先进的方法具有更好的性能，并且在早期阶段检测谣言的能力更强。
2021-11-15 cs.CL
Transfer Learning from LDA to BiLSTM-CNN for Offensive Language Detection in Twitter
University of Hamburg（汉堡大学）
我们研究了德国Twitter数据上自动攻击性语言分类的不同策略。为此，我们采用顺序组合的BiLSTM-CNN神经网络。基于该模型，测试了三个利用背景知识提高分类性能的迁移学习任务。我们比较1.受监督的类别转移：用近乎冒犯性的语言类别注释的社交媒体数据，2。弱监督类别转移：用表情符号注释的推文，3。无监督类别转移：通过潜在狄利克雷分配（LDA）获得的主题聚类注释的推文。此外，我们研究了三种不同的策略，以减轻负面影响的“灾难性遗忘”在迁移学习。我们的研究结果表明，迁移学习一般提高了攻击性语言检测。最好的结果是从预训练我们的模型上的无监督主题聚类的推文结合专题用户集群信息。
2018-11-07 cs.CL
NIHRIO at SemEval-2018 Task 3: A Simple and Accurate Neural Network Model for Irony Detection in Twitter
NIHRIO, Newcastle University, UK（英国纽卡斯尔大学NIHRIO）；The University of Melbourne, Australia（澳大利亚墨尔本大学）；Umeå University, Sweden（瑞典于默奥大学）；Deakin University, Australia（澳大利亚迪肯大学）
本文描述了我们的NIHRIO系统SemEval-2018任务3“英语推文中的反讽检测”。我们建议使用一个简单的神经网络架构的多层感知器与各种类型的输入功能，包括：词汇，句法，语义和极性功能。我们的系统实现了非常高的性能，在两个子任务的二进制和多类反讽检测推文。特别是，我们使用准确性度量排名第三，使用F1度量排名第五。我们的代码可在https://github.com/NIHRIO/IronyDetectionInTwitter上获得
2018-04-08 cs.CL
Diverse Perspectives, Divergent Models: Cross-Cultural Evaluation of Depression Detection on Twitter
University of Minnesota（明尼苏达大学）；Macalester College（麦卡莱斯特学院）
本研究评估抑郁症检测模型在跨文化Twitter数据上的泛化能力，发现模型在全球南方和非西方用户上表现较差，预训练语言模型泛化最佳但仍存在显著差距，并提出了缓解建议。
2024-10-15 cs.CL
Towards Preemptive Detection of Depression and Anxiety in Twitter
Cardiff University（卡迪夫大学）
抑郁症和焦虑症是在日常生活的许多领域观察到的精神疾病。例如，这些疾病在社交媒体上的未确诊用户撰写的文本中经常出现。然而，检测具有这些条件的用户并不是一项简单的任务，因为他们可能不会明确地谈论他们的精神状态，如果他们这样做，则必须考虑诸如即时性之类的上下文线索。当可用时，医学专家可以使用指向可能的焦虑或抑郁的语言标志来编写更好的指南和治疗方法。在本文中，我们开发了一个数据集，旨在促进抑郁和焦虑检测在Twitter上的研究，框架检测任务作为一个二进制推文分类问题。然后，我们将最先进的分类模型应用于该数据集，提供一组有竞争力的基线以及定性错误分析。我们的研究结果表明，语言模型表现相当不错，比传统的基线更好。尽管如此，仍有明显的改进空间，特别是在不平衡的训练集和看似明显的语言线索（关键字）被反直觉使用的情况下。
2020-11-10 cs.CL
Rumor Detection on Twitter Using Multiloss Hierarchical BiLSTM with an Attenuation Factor
National Cheng Kung University（成功大学）
Twitter等社交媒体平台已成为未经证实的信息或谣言的滋生地。这些谣言会威胁人们的健康，危害经济，影响国家的稳定。许多研究人员已经开发出使用传统机器学习或普通深度学习模型对谣言进行分类的模型。然而，以前的研究，谣言检测的精度低，是耗时的。受层次模型和多任务学习的启发，本文提出了一种带衰减因子的多损失层次BiLSTM模型。该模型分为两个BiLSTM模块：post级和event级。通过这种层次结构，该模型可以从有限数量的文本中提取深层信息。每个模块都有一个损失函数，有助于学习双边特征并减少训练时间。在后级增加衰减因子以提高精度。两个谣言数据集上的结果表明，我们的模型比最先进的机器学习和香草深度学习模型具有更好的性能。
2020-12-14 cs.CL
Sub-event detection from Twitter streams as a sequence labeling problem
Ghent University -– imec, IDLab（根特大学- imec，IDLab）
本文介绍了社交媒体流中子事件检测的改进方法，不仅在单个帖子的级别上应用神经序列模型，而且直接在流级别上应用神经序列模型。当前用于识别给定事件（诸如足球比赛期间的进球）内的子事件的方法基本上不利用社交媒体流的顺序性质。我们通过将社交媒体流中的子事件检测问题框定为序列标记任务来解决这一缺点，并采用了一种神经序列架构，该架构明确考虑了帖子的时间顺序。具体来说，我们（i）建立了一个神经基线，它优于基于图的最先进的二元子事件检测方法（2.7%的微F1改进），以及（ii）证明了递归神经网络模型在标记子事件的posts序列水平上的优越性（与非序列模型相比，2.4%的bin级F1改进）。
2019-03-13 cs.CL
Semi-automatic Generation of Multilingual Datasets for Stance Detection in Twitter
Vicomtech Foundation（维康泰克基金会）；Basque Research and Technology Alliance (BRTA)（巴斯克研究与技术联盟（BRTA））；University of the Basque Country UPV/EHU（巴斯克大学（UPV/EHU））
流行的社交媒体网络为研究用户表达的意见和态度提供了完美的环境。虽然社交媒体（如Twitter）中的交互发生在许多自然语言中，但自然语言处理领域中的立场检测（相对于特定主题表达的立场或态度）研究主要针对英语。虽然最近已经作出了一些努力，以开发其他语言的注释数据，有一个明显的缺乏资源，以促进多语言和跨语言的研究立场检测。这部分是由于手动注释社交媒体文本语料库是一个困难，缓慢和昂贵的过程。此外，由于立场是一个高度领域和主题特定的现象，需要注释的数据是特别苛刻的。因此，大多数手动标记的资源都受到其相对较小的大小和倾斜的类分布的阻碍。本文提出了一种方法，以获得多语言数据集的立场检测在Twitter上。我们利用基于用户的信息来半自动地标记大量的推文，而不是在每个推文的基础上手动注释。单语和跨语言的实验和定性分析表明，我们的方法有助于克服上述困难，建立大型，平衡和多语种的标记语料库。我们相信，我们的方法可以很容易地适应，轻松地生成标记的社交媒体数据，用于其他自然语言处理任务和领域。
2021-01-28 cs.CL
A practical method for occupational skills detection in Vietnamese job listings
Hanoi University of Science and Technology（河内理工大学）
越南劳动力市场发展不平衡。大学毕业生的数量在增长，但失业率也在增长。这种情况往往是由于缺乏准确及时的劳动力市场信息，导致劳动力供给与实际市场需求之间的技能不匹配。要为劳动力市场构建数据监控和分析平台，主要挑战之一是能够从与劳动力相关的数据（如简历和职位列表）中自动检测职业技能。传统的方法依赖于现有的分类法和/或大型注释数据来构建命名实体识别（NER）模型。它们价格昂贵，需要大量的手工劳动。在本文中，我们提出了一个实用的方法，在越南的工作列表中的技能检测。而不是将任务视为NER任务，我们认为任务是一个排名问题。我们提出了一个管道，在该管道中，短语首先被提取并根据与短语的上下文的语义相似度进行排名。然后，我们采用一个最终的分类检测技能短语。我们收集了三个数据集，并进行了广泛的实验。结果表明，我们的方法在稀缺数据集上取得了比NER模型更好的性能。
2022-10-26 cs.CL
Graph Neural Networks for Antisocial Behavior Detection on Twitter
Faculty of Computer Science and Engineering, Ss. Cyril and Methodius University（西里尔和迪乌斯大学计算机科学与工程学院）
本研究提出一种语言和上下文无关的基于图卷积的反社会行为检测方法，并在多个PAN数据集上验证其有效性。
2023-12-28 cs.CL
A Twitter BERT Approach for Offensive Language Detection in Marathi
Pune Institute of Computer Technology（浦那计算机技术学院）；Indian Institute of Technology Madras（印度理工学院马德拉斯分校）
自动攻击性语言检测对于打击仇恨言论的传播至关重要，特别是在社交媒体上。本文介绍了我们在低资源印度语马拉地语攻击性语言识别方面的工作。这个问题被制定为一个文本分类任务，以确定一个tweet作为进攻性或非进攻性。我们在这个分类任务中评估了不同的单语言和多语言BERT模型，重点是用社交媒体数据集预训练的BERT模型。我们比较了MuRIL，MahaTweetBERT，MahaTweetBERT-Hateful和MahaBERT在HASOC 2022测试集上的性能。我们还探索了其他现有的马拉地仇恨言论语料库HASOC 2021和L3立方体MahaHate的外部数据增强。MahaTweet BERT是一个BERT模型，在对组合数据集（HASOC 2021 + HASOC 2022 + MahaHate）进行微调时，对马拉地语推文进行了预训练，在HASOC 2022测试集上的F1得分为98.43，优于所有模型。有了这个，我们还提供了HASOC 2022 / MOLD v2测试集的最新结果。
2022-12-20 cs.CL
Offensive Language Detection on Twitter
社交媒体中攻击性语言的检测是社交媒体面临的主要挑战之一。研究人员提出了许多先进的方法来完成这项任务。在这份报告中，我们试图利用从他们的方法中学到的东西，并结合我们的想法来改进它们。我们已经成功地实现了74%的准确率在分类攻击性推文。我们还列出了社交媒体世界中滥用内容检测即将面临的挑战。
2022-09-28 cs.CL cs.LG
Abusive Language Detection and Characterization of Twitter Behavior
Government Engineering College, Palakkad（政府工程学院（帕拉卡德））
在这项工作中，在线内容中的滥用语言检测使用双向递归神经网络（BiRNN）方法。这里的主要目标是关注Twitter上各种形式的辱骂行为，并检测一个演讲是否是辱骂性的。将结果与卷积神经网络（CNN）和递归神经网络（RNN）方法在社交媒体中的各种滥用行为进行比较，并证明所提出的BiRNN是用于自动滥用语音检测的更好的深度学习模型。
2020-09-26 cs.CL cs.IR
EkoHate: Abusive Language and Hate Speech Detection for Code-switched Political Discussions on Nigerian Twitter
Afe Babalola University（阿费·巴巴洛拉大学）；Saarland University（萨尔大学）；University College London（伦敦大学学院）
本文构建了针对尼日利亚拉各斯州州长选举语码转换政治讨论的辱骂性语言和仇恨言论数据集EkoHate，采用二元和四标签方案，评估显示监督学习下F1分别达95.1和70.3，并验证了其跨数据集的迁移泛化能力。
2024-04-28 cs.CL
Boosting Entity Mention Detection for Targetted Twitter Streams with Global Contextual Embeddings
Binghamton University（宾汉姆顿大学）；Temple University（天普大学）
像Twitter这样的微博客网站已经成为无处不在的信息来源。微博信息自动提取和分析的两个重要任务是实体提及检测和实体检测。最先进的EMD系统旨在通过在离线静态数据集上训练来对微博文本的非文学性质进行建模。它们从单个消息中提取表面级特征（拼写、词汇和语义）的组合，用于噪声文本建模和实体提取。但是，鉴于微博流的不断发展的性质，从这种变化但有限的短消息上下文中检测所有实体提及仍然是一个困难的问题。为此，我们提出了一个名为EMD Globalizer的框架，更适合于EMD学习者在微博流上的执行。它偏离了现有EMD系统对孤立微博消息的处理，在现有EMD系统中，从消息的直接上下文中学习到的知识用于建议实体。在EMD系统初始提取实体候选者之后，所提出的框架利用发生挖掘来找到在第一次检测期间错过的其他候选者提及。聚合这些提及的局部上下文表示，从流内的实体候选的集体上下文中提取全局嵌入。然后，利用全局嵌入将候选者中的实体与误报分离。流中提到的所有实体都在框架的最终输出中产生。我们的实验表明，EMD Globalizer可以提高我们测试的所有现有EMD系统的有效性（平均提高25.61%），只需少量额外的计算开销。
2022-01-28 cs.CL
Towards Automatic Bot Detection in Twitter for Health-related Tasks
University of Pennsylvania（宾夕法尼亚大学）；Emory University（埃默里大学）
随着越来越多地使用社交媒体数据进行健康相关研究，来自此来源的信息的可信度受到质疑，因为这些帖子可能来自自动账户或“机器人”。虽然已经提出了自动机器人检测方法，但还没有对发布健康相关信息的用户进行评估。在本文中，我们扩展了现有的机器人检测系统，并将其定制为与健康相关的研究。使用Twitter用户的数据集，我们首先表明，该系统，这是专为政治机器人检测，当应用于健康相关的Twitter用户表现不佳。然后，我们结合了额外的功能和统计机器学习分类器，以显着提高机器人检测性能。我们的方法获得的F_1得分为0.7的“机器人”类，代表0.339的改进。我们的方法是可定制的和可推广的机器人检测在其他健康相关的社交媒体队列。
2019-09-29 cs.CL cs.SI
EcoVerse: An Annotated Twitter Dataset for Eco-Relevance Classification, Environmental Impact Analysis, and Stance Detection
针对NLP领域对气候变化外环境主题研究不足、环境影响分析空白的问题，本文构建了含3023条推文的EcoVerse标注数据集，设计三级标注方案，用BERT类模型实验验证了数据质量，指出需定制环境文本专用模型，数据集已开放。
2024-04-08 cs.CL
Amobee at SemEval-2017 Task 4: Deep Learning System for Sentiment Detection on Twitter
Amobee
本文描述了Amobee情感分析系统，适用于SemEval 2017任务4的竞争。该系统由两部分组成：基于Twitter情感树库的RNN模型的监督训练，以及使用前馈NN，朴素贝叶斯和逻辑回归分类器为不同的子任务生成预测。该算法在5标签分类任务（子任务C）中获得第3名。
2017-05-03 cs.CL stat.ML
Methods of Informational Trends Analytics and Fake News Detection on Twitter
Ivan Franko National University of Lviv（利沃夫伊万·弗兰科国立大学）
在本文中，不同的方法来分析Twitter上的新闻趋势被认为是。对于分析和案例研究，研究了2022年俄罗斯入侵乌克兰造成的Twitter上的信息趋势。分析了一种用于虚假新闻检测的深度学习方法。利用频繁项集理论和关联规则、图论对新闻动态进行了分析。
2022-04-11 cs.AI cs.CL cs.SI
Fake News Spreader Detection on Twitter using Character N-Grams. Notebook for PAN at CLEF 2020
Fraunhofer Institute for Secure Information Technology SIT（弗劳恩霍夫安全信息技术研究所）
假新闻的作者经常使用来自经过验证的新闻来源的事实，并将其与错误信息混合在一起，以制造混乱并在读者中引发不安。因此，假新闻的传播可能对我们的社会产生严重影响。他们可以左右政治选举，压低股价，或摧毁公司或公众人物的声誉。一些网站承担了核查谣言和指控的任务，但往往不够快，无法核查所传播的所有新闻的内容。特别是社交媒体网站为信息的快速传播提供了一个简单的平台。为了限制假新闻在社交媒体用户中传播，今年PAN 2020挑战赛的任务将重点放在假新闻传播者身上。该任务的目的是确定是否有可能区分过去分享过假新闻的作者和从未分享过假新闻的作者。在本笔记中，我们描述了我们在Twitter上进行假新闻检测任务的分析系统。为此，我们进行不同的特征提取技术和学习实验，从多语言的角度来看，即英语和西班牙语。我们最终提交的系统使用字符n-gram作为特征，结合英语的线性SVM和西班牙语的Logistic回归。我们提交的模型在英语和西班牙语官方测试集上的总体准确率分别为73%和79%。我们的实验表明，很难将Twitter上的假新闻传播者与分享可信信息的用户区分开来，这为进一步调查留下了空间。我们的模型在72个竞争对手中排名第三。
2020-09-29 cs.CL
Hate Towards the Political Opponent: A Twitter Corpus Study of the 2020 US Elections on the Basis of Offensive Speech and Stance Detection
Institut für Maschinelle Sprachverarbeitung, University of Stuttgart（斯图加特大学机器语言处理研究所）
2020年美国大选比以往任何时候都更加以社交媒体活动和相互指责为特征。我们在本文中调查，如果这也体现在候选人拜登和特朗普的支持者的在线通信，通过发出仇恨和攻击性的通信。我们制定了一个注释任务，在其中我们加入了仇恨/攻击性言论检测和立场检测的任务，并注释3000推文从竞选期间，如果他们表达了特定的立场对候选人。在已建立的赞成和反对类别旁边，我们添加了混合和中立的立场，并且如果候选人在没有意见表达的情况下被提及，也会进行注释。此外，如果推文是以攻击性的风格写的，我们会进行注释。这使我们能够分析乔·拜登和民主党的支持者与唐纳德·特朗普和共和党的支持者的沟通方式是否不同。BERT基线分类器显示，如果某人是候选人的支持者，则可以高质量地执行检测（特朗普的.89 F1和拜登的.91 F1），而某人表示反对候选人的检测更具挑战性（分别为.79 F1和.64 F1）。仇恨/攻击性言论的自动检测仍然具有挑战性（使用.53 F1）。我们的语料库是公开的，构成了一个新的资源计算建模的进攻性语言的立场下考虑。
2021-03-02 cs.CL
Hierarchical Attention Network for Explainable Depression Detection on Twitter Aided by Metaphor Concept Mappings
School of Computer Science and Engineering（计算机科学与工程学院）；Nanyang Technological University（南洋理工大学）
Twitter上的自动抑郁检测可以帮助个人在看到心理健康专业人员之前的早期阶段私下和方便地了解他们的心理健康状况。大多数现有的用于抑郁症检测的类似黑盒的深度学习方法主要集中在提高分类性能上。然而，解释模型决策在健康研究中是必不可少的，因为决策往往是高风险和生死攸关的。对包括抑郁症在内的心理健康问题的可靠自动诊断应该得到证明模型预测合理性的可信解释的支持。在这项工作中，我们提出了一个新的解释模型抑郁症检测Twitter上。它包括一个新的编码器结合分层注意力机制和前馈神经网络。为了支持心理语言学研究，我们的模型利用隐喻概念映射作为输入。因此，它不仅检测抑郁个体，而且还识别这些用户的推文和相关隐喻概念映射的特征。
2022-09-15 cs.CL cs.SI
Hate Speech Detection: A Solved Problem? The Challenging Case of Long Tail on Twitter
University of Sheffield（谢菲尔德大学）；Southwest University（西南大学）；Cardiff University（卡迪夫大学）；DFKI GmbH（德国人工智能研究中心）；Technical University Dresden（德累斯顿工业大学）；Universitat Stuttgart（斯图加特大学）；Barcelona Supercomputing Centre（巴塞罗那超级计算中心）
近年来，社交媒体上仇恨言论的传播越来越多，迫切需要采取有效的应对措施，这吸引了政府、公司和研究人员的大量投资。已经开发了大量的方法用于在线自动检测仇恨言论。这旨在将文本内容分类为非仇恨或仇恨言论，在这种情况下，该方法还可以识别目标特性（即，仇恨的类型，如种族和宗教）在仇恨言论。然而，我们注意到两者的性能之间存在显著差异（即，非仇恨vs. hate）。在这项工作中，我们认为重点放在后一个问题的实际原因。我们表明，这是一项更具挑战性的任务，因为我们对典型数据集中的语言进行的分析表明，仇恨言论缺乏独特的、有区别的特征，因此在数据集中的“长尾”中很难发现。然后，我们提出了深度神经网络结构作为特征提取器，特别有效地捕捉仇恨言论的语义。我们的方法在基于Twitter的仇恨言论数据集的最大集合上进行了评估，并且在宏观平均F1中能够超过最佳性能方法高达5个百分点，或者在识别仇恨内容的更具挑战性的情况下超过8个百分点。
2018-10-25 cs.CL
A Multi-task Model for Sentiment Aided Stance Detection of Climate Change Tweets
L3S Research Center（L3S研究中心）
气候变化已成为我们时代最大的挑战之一。Twitter等社交媒体平台在提高公众意识和传播有关当前气候危机危险的知识方面发挥着重要作用。随着通过社交媒体开展的关于气候变化的运动和宣传越来越多，这些信息可以提高认识，并接触到公众和决策者。然而，这些Twitter通信导致信仰两极分化，意见主导的意识形态，并经常分裂为两个社区的气候变化否认者和信徒。在本文中，我们提出了一个框架，有助于识别否认Twitter上的声明，从而分类的立场的推文到两个对气候变化的态度（否认者/信徒）之一。Twitter关于气候变化的数据的情感方面深深植根于公众对气候变化的态度。因此，我们的工作重点是学习两个密切相关的任务：气候变化推文的立场检测和情感分析。我们提出了一个多任务框架，执行立场检测（主要任务）和情感分析（辅助任务）同时进行。该模型结合了特征特定和共享特定的注意框架，融合多个特征，并学习两个任务的广义特征。实验结果表明，该框架提高了主要任务的性能，即，通过受益于辅助任务，即，情感分析与其单模态和单任务变体相比。
2022-11-07 cs.CL
Early Stage Influenza Detection from Twitter
Carnegie Mellon University（卡内基梅隆大学）；Cornell University（康奈尔大学）
流感是一种急性呼吸道疾病，几乎每年都会发生，并导致大量疾病，死亡和费用。在最早阶段发现流感将有助于及时采取行动，减少疾病的传播。现有的系统，如CDC和EISS，试图收集诊断数据，几乎完全是手动的，导致临床数据采集延迟约两周。Twitter，一个流行的微博服务，由于其实时的性质，为我们提供了一个早期流感检测的完美来源。例如，当流感爆发时，感染流感的人可能会发布相关的推文，从而能够及时检测流感爆发。在本文中，我们研究了实时流感检测问题的Twitter数据，提出流感马尔可夫网络（Flu-MN）：一个时空无监督贝叶斯算法的基础上的4阶段马尔可夫网络，试图在最早的阶段识别流感爆发。我们在来自美国的真实Twitter数据集上测试了我们的模型，以及多个应用程序中的基线，例如实时流感爆发检测，未来流行病阶段预测或流感样疾病（ILI）医生访问。实验结果表明了该方法的鲁棒性和有效性。我们建立了一个实时的流感报告系统的基础上提出的方法，我们希望这将有助于政府或卫生组织在识别流感爆发，并促进及时采取行动，以减少不必要的死亡率。
2013-11-18 cs.CL cs.SI
An Event Detection Approach Based On Twitter Hashtags
Purdue University（普渡大学）
Twitter是世界上最受欢迎的微博客服务之一。Twitter所包含的大量信息使其成为人们学习和分享新闻的重要信息渠道。Twitter标签是一个受欢迎的功能，可以被视为人类标记的信息，人们用来识别推文的主题。许多研究人员提出了事件检测方法，可以监控Twitter数据并确定是否发生了特殊事件，如事故，极端天气，地震或犯罪。尽管许多方法使用主题标签作为其特征之一，但很少有方法明确关注使用主题标签进行事件检测的有效性。在这项研究中，我们提出了一个事件检测方法，利用标签的推文。采用了STREAMCUBE中的特征提取方法，并将聚类K-means方法应用于STREAMCUBE中，实验表明K-means方法的聚类效果优于STREAMCUBE。还讨论了K均值方法的最佳K值。
2018-04-02 cs.CL cs.IR cs.SI
A Keyword Based Approach to Understanding the Overpenalization of Marginalized Groups by English Marginal Abuse Models on Twitter
Twitter（推特（X））
有害内容检测模型往往对边缘化群体的内容具有更高的误报率。在Twitter上的边缘虐待模式的背景下，这种不成比例的惩罚造成了能见度降低的风险，边缘化社区失去了在平台上表达意见的机会。目前的算法危害缓解方法和NLP模型的偏差检测通常是非常特别的，并且容易受到人类偏见的影响。我们在本文中做出两个主要贡献。首先，我们设计了一种新的方法，它提供了一种原则性的方法来检测和测量与基于文本的模型相关的潜在危害的严重程度。其次，我们应用我们的方法来审计Twitter的英语边际滥用模型，这是用于删除放大资格的边际滥用内容。在不使用人口统计标签或方言分类器的情况下，我们仍然能够检测和衡量与边缘化社区言论过度惩罚相关问题的严重性，例如使用回收言论，反言论和身份相关术语。为了减轻相关的危害，我们尝试添加额外的真实负面示例，并发现这样做可以改善我们的公平性指标，而不会大幅降低模型性能。
2022-10-07 cs.CL
Comparative Studies of Detecting Abusive Language on Twitter
Seoul National University（首尔大学）
在线攻击的上下文依赖性使得注释大量数据集变得极其困难。先前研究的滥用语言检测数据集的大小不足以有效地训练深度学习模型。最近，Twitter上的仇恨和辱骂言论，一个规模和可靠性都更大的数据集已经发布。然而，该数据集尚未对其潜力进行全面研究。在本文中，我们进行了第一次比较研究的各种学习模型在Twitter上的仇恨和辱骂性言论，并讨论了使用额外的功能和上下文数据进行改进的可能性。实验结果表明，双向GRU网络在词级特征上训练，具有潜在主题聚类模块，是最准确的模型，得分为0.805 F1。
2018-08-30 cs.CL
The COVMis-Stance dataset: Stance Detection on Twitter for COVID-19 Misinformation
Leiden Institute of Advanced Computer Science（莱顿高级计算机科学研究所）；Leiden University（莱顿大学）
在COVID-19大流行期间，大量COVID-19错误信息在社交媒体上传播。我们关注Twitter用户对COVID-19错误信息的立场。然而，由于大流行的相对近期性质，只有少数立场检测数据集适合我们的任务。我们构建了一个新的立场数据集，由2631条推特组成，其中标注了对COVID-19错误信息的立场。在标记数据有限的情况下，我们通过利用MNLI数据集和两个现有的立场检测数据集（RumourEval和COVIDLies）来微调我们的模型，并在我们的数据集上评估模型性能。我们的实验结果表明，该模型在MNLI数据集以及欠采样RumourEval和COVIDLies数据集的组合上依次进行微调时表现最佳。我们的代码和数据集可在https://github.com/yanfangh/covid-rumor-stance上公开获取
2022-04-05 cs.CL cs.IR
Understanding Transformers for Bot Detection in Twitter
Expert.ai Research Lab（Expert.ai研究实验室）
在本文中，我们阐明了微调对社交媒体数据在神经语言模型内部表示中的影响。我们专注于Twitter中的机器人检测，这是减轻和抵消社交媒体中虚假信息和偏见自动传播的一项关键任务。我们研究了使用预先训练的语言模型来解决检测由机器人或人类帐户完全基于其内容生成的推文。与GLUE等基准测试的一般趋势不同，BERT在常规文本的大多数分类任务中通常优于GPT和GPT-2等生成Transformers，我们观察到，在机器人检测任务中微调生成Transformers会产生更高的准确性。我们分析了每个Transformer的架构组件，并研究了微调对它们的隐藏状态和输出表示的影响。在我们的研究结果中，我们表明，BERT在预训练过程中捕获的部分语法信息和分布特性在微调时丢失，而生成式预训练方法设法保留这些特性。
2021-04-13 cs.CL cs.LG
Stylometric Detection of AI-Generated Text in Twitter Timelines
Arizona State University（亚利桑那州立大学）；STR
预训练的语言模型的最新进展使得能够实现用于大规模生成类人文本的方便方法。虽然这些生成功能具有突破性应用的巨大潜力，但它也可能成为对手生成错误信息的工具。特别是，像Twitter这样的社交媒体平台非常容易受到人工智能生成的错误信息的影响。一种潜在的威胁场景是，攻击者劫持了一个可信的用户帐户，并结合了一个自然语言生成器来生成错误信息。这种威胁需要在给定用户的Twitter时间轴中自动检测AI生成的推文。然而，推文本质上是短的，因此使得当前最先进的基于预先训练的语言模型的检测器难以准确地检测AI在给定的Twitter时间轴中的什么点开始生成推文。在本文中，我们提出了一种新的算法，使用风格信号来帮助检测AI生成的推文。我们提出了两个相关任务中量化人类和AI推文风格变化的模型：任务1 -区分人类和AI生成的推文，任务2 -检测AI是否以及何时开始在给定的Twitter时间轴中生成推文。我们广泛的实验表明，样式特征在增强最先进的AI生成的文本检测器方面是有效的。
2023-03-07 cs.CL cs.LG
LMBot: Distilling Graph Knowledge into Language Model for Graph-less Deployment in Twitter Bot Detection
University of Notre Dame（圣母大学）；University of Virginia（弗吉尼亚大学）
针对图机器人检测依赖邻居且易引入偏差的问题，提出LMBot框架，通过将图神经网络知识蒸馏到语言模型中实现无图推理，在四个基准上达到最先进性能且更鲁棒高效。
2024-01-03 cs.AI cs.CL cs.SI
Combining Embeddings and Domain Knowledge for Job Posting Duplicate Detection
Fraunhofer（弗劳恩霍夫协会）；University of Stuttgart（斯图加特大学）；Contractor Consulting GmbH（康特拉科特咨询有限公司）
本文针对跨平台职位发布中的重复检测问题，提出融合字符重叠相似性、深度文本嵌入和领域技能加权查找列表的组合方法，显著提升检测性能并已在生产环境中得到验证。
2024-06-10 cs.CL cs.IR
Right-wing German Hate Speech on Twitter: Analysis and Automatic Detection
University of Hildesheim（希尔德斯海姆大学）；University of Antwerp（安特卫普大学）
关于社交网络Twitter的讨论经常涉及其在政治话语中的作用，涉及到表达意见何时变得冒犯，不道德和/或非法以及如何处理它的问题。鉴于互联网上越来越多的攻击性通信，需要能够自动检测仇恨言论的新技术，以帮助人类进行内容审核。这带来了新的挑战，例如准确定义什么是言论自由，什么在特定国家是非法的，以及确切了解仇恨言论的语言特征。为了了解德国的情况，我们分析了2017年8月至2018年4月期间发布的超过50，000条德国右翼仇恨推文，当时是2017年德国联邦选举，使用定量和定性方法。在本文中，我们讨论了分析的结果，并演示了如何将这些见解用于自动检测系统的开发。
2019-10-16 cs.CL cs.SI
Twitter Bot Detection Using Bidirectional Long Short-term Memory Neural Networks and Word Embeddings
York University（约克大学）
Twitter是一个网络应用程序，扮演着在线社交网络和微博的双重角色。Twitter的流行和开放结构吸引了大量的自动化程序，被称为机器人。合法机器人生成大量良性上下文内容，即，tweets提供新闻和更新提要，而恶意机器人则传播垃圾邮件或恶意内容。为了帮助人类用户识别他们正在与谁交互，本文重点关注Twitter上的人类和垃圾邮件账户的分类，通过采用递归神经网络，特别是双向长短期记忆（BiLSTM），有效地捕获推文的特征。据我们所知，我们的工作是第一个开发具有词嵌入的递归神经模型，以区分Twitter机器人和人类帐户，不需要事先了解或假设用户的个人资料，友谊网络或目标帐户的历史行为。此外，我们的模型不需要任何手工制作的功能。初步的模拟结果非常令人鼓舞。在cresci-2017数据集上的实验表明，与现有的最先进的机器人检测系统相比，我们的方法可以实现具有竞争力的性能。
2020-02-03 cs.CL cs.CR cs.LG
ArCOV19-Rumors: Arabic COVID-19 Twitter Dataset for Misinformation Detection
Qatar University（卡塔尔大学）
在本文中，我们介绍了ArCOV 19-Rumors，这是一个用于错误信息检测的阿拉伯语COVID-19 Twitter数据集，由2020年1月27日至4月底包含声明的推文组成。我们收集了138个经过验证的声明，大部分来自流行的事实核查网站，并确定了9.4K与这些声明相关的推文。推特被人工标注了真实性，以支持错误信息检测的研究，这是大流行期间面临的主要问题之一。ArCOV 19-谣言支持两个级别的错误信息检测：验证自由文本声明（称为声明级别验证）和验证推文中表达的声明（称为推文级别验证）。我们的数据集除健康外，还涵盖与受COVID-19影响的其他主题类别相关的索赔，即社会，政治，体育，娱乐和宗教。此外，我们提出了对数据集的推文级验证的基准测试结果。我们试验了SOTA模型的通用方法，利用内容，用户简档功能，时间特征和传播结构的会话线程的鸣叫验证。
2021-03-13 cs.CL cs.IR cs.SI
Beyond a binary of (non)racist tweets: A four-dimensional categorical detection and analysis of racist and xenophobic opinions on Twitter in early Covid-19
University of Nottingham（诺丁汉大学）
超越种族主义和仇外心理文本的二元分类，本研究从社会科学理论的线索，开发了一个四维类别的种族主义和仇外心理检测，即污名化，进攻，指责和排斥。在深度学习技术的帮助下，这种分类检测使人们能够深入了解Twitter上种族主义和仇外言论所反映的新兴主题的细微差别。此外，本集团采用阶段性分析，以捕捉Covid-19从国内疫情发展至国际公共卫生紧急情况，再发展至全球大流行的早期发展阶段的主题动态变化。这项研究的主要贡献包括，首先是方法上的进步。通过将最先进的计算方法与社会科学观点联系起来，这项研究为未来的研究提供了一种有意义的方法，以深入了解数字平台上种族主义和仇外心理讨论的潜在微妙之处。其次，通过更准确地理解甚至预测公众的意见和行动，这项研究为制定有效的干预政策铺平了道路，以打击新冠肺炎下的种族主义犯罪和社会排斥。
2021-07-18 cs.CL cs.SI
Ontology Driven Disease Incidence Detection on Twitter
Makerere University（麦克雷雷大学）
在这项工作中，我们解决的问题，通用自动化的疾病发病率监测在twitter上。我们采用的疾病相关概念的本体，并使用它来获得一个概念表示的推文。与以前的基于关键词的系统和主题建模方法不同，我们的本体论方法允许我们应用更严格的标准来确定哪些消息是相关的，如空间和时间特征，同时更有力地保证所产生的模型在可能是词汇发散的新数据上表现良好。我们通过训练学习者的概念而不是单个单词来实现这一点。对于训练，我们使用包含流感和李斯特菌提及的数据集，并使用学习的模型对包含任意选择的其他疾病提及的数据集进行分类。我们表明，我们的本体论的方法实现了良好的性能在这项任务上使用各种自然语言处理技术。我们还表明，词向量可以直接从我们的概念中学习，以达到更好的效果。
2016-11-21 cs.CL cs.IR
Recurrent-Neural-Network for Language Detection on Twitter Code-Switching Corpus
Language Technologies Institute（语言技术研究所）；School of Computer Science（计算机科学学院）；Carnegie Mellon University（卡内基梅隆大学）
混合语言数据是自然语言处理的难点之一。在机器翻译或情感分析等领域的大多数研究都假设单语输入。然而，能够使用一种以上语言的人经常同时使用多种语言进行交流。社会语言学家认为这种“语码转换”现象是有社会动机的。例如，表达团结或建立权威。过去的大多数工作都依赖于外部工具或资源，例如词性标注、字典查找或命名实体识别器，以提取丰富的特征来训练机器学习模型。在本文中，我们训练循环神经网络只有原始特征，并使用词嵌入自动学习有意义的表示。使用相同的混合语言的Twitter语料库，我们的系统能够超过最好的基于SVM的系统在EMNLP'14代码切换研讨会报告的1%的准确性，或17%的出错率减少。
2014-12-22 cs.CL cs.NE
Towards Interpretable Multilingual Detection of Hate Speech against Immigrants and Women in Twitter at SemEval-2019 Task 5
Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）
他的论文描述了我们在多语言环境中检测Twitter上针对女性和移民的仇恨言论的技术，特别是英语和西班牙语。该挑战由SemEval-2019任务5设计，参与者需要设计算法来检测英语和西班牙语中具有给定目标的仇恨言论（例如，女性或移民）。在这里，我们开发了两个深度神经网络（双向门控递归单元（GRU），神经元级卷积神经网络（CNN）），以及一个通过利用语言特征的机器学习模型。我们提出的模型获得57和75 F1分数的任务A在英语和西班牙语分别。对于任务B，英语的F1分数为67，西班牙语为75.33。在任务A（西班牙语）和任务B（英语和西班牙语）的情况下，F1分数分别提高了2、10和5分。此外，我们提出了视觉上可解释的模型，可以解决定制设计的机器学习架构的泛化问题，通过调查的注释数据集。
2020-11-26 cs.CL cs.SI
An Incremental Clustering Baseline for Event Detection on Twitter
Lattice（Lattice（法国国家科学研究中心、巴黎高等师范学院-PSL、新索邦大学联合机构））；Sciences Po（巴黎政治学院）；médialab（媒介实验室）
针对文本流事件检测中平衡性能标准与计算复杂度的挑战，本研究采用增量聚类算法结合sentence embeddings技术，相比Cao et al. (2024)和Mazoyer et al. (2020)的研究取得显著改进，为未来研究提供了相关基线。
2024-12-16 cs.CL cs.SI
Efficient Detection of Intermittent Job Failures Using Few-Shot Learning
École de technologie supérieure（高级技术学院）；TELUS（TELUS公司）
本文提出基于少样本学习的间歇性作业故障检测方法，通过微调小型语言模型提升检测准确率，实现70-88%的F1分数，优于现有方法。
2025-07-08 cs.CL cs.LG cs.SE
Claim Detection in Biomedical Twitter Posts
University of Stuttgart（斯图加特大学）
社交媒体包含未经过滤和独特的信息，这些信息可能具有巨大的价值，但在错误信息的情况下，也可能造成巨大的伤害。关于生物医学主题，虚假信息可能特别危险。自动事实核查和假新闻检测方法解决了这个问题，但尚未应用于社交媒体中的生物医学领域。我们的目标是填补这一研究空白，并注释语料库的1200条推文的隐含和明确的生物医学索赔（后者也与跨度注释的索赔短语）。通过这个语料库，我们采样与COVID-19，麻疹，囊性纤维化和抑郁症有关，我们开发了自动检测包含索赔的推文的基线模型。我们的分析显示，生物医学推文中充斥着大量的声明（在一个包含1200条推文的语料库中，45%的推文集中在上述领域）。基于嵌入的分类器和基于BERT的迁移学习的基线分类实验表明，检测是具有挑战性的，然而，显示出可接受的性能，用于识别明确的表达的权利要求。隐式声明推文更难检测。
2021-05-01 cs.CL cs.SI
Self-harm: detection and support on Twitter
University of Strathclyde（思克莱德大学）；Federal University Dutse（杜采联邦大学）；Bayero University Kano（巴耶罗大学卡诺分校）
自从Twitter和Facebook等在线社交媒体平台出现以来，利用在线参与者发布的信息进行了有益的健康相关研究。与心理健康、自我伤害和抑郁症等个人健康相关的问题已经得到了研究，因为用户经常在这些平台上分享他们的故事。在线用户诉诸分享，因为来自在线社区的同情和支持对于帮助受影响的个人至关重要。一项初步分析显示，与非自杀性自伤（NSSI）相关的内容是如何在Twitter上激增的。因此，我们使用Twitter来收集相关数据，分析并提供支持倾向于NSSI行为的用户的方法。我们的方法利用自定义爬虫检索相关的推文，从自我报告的用户和有兴趣打击自我伤害的相关组织。通过文本分析，我们确定了六个主要类别的自我伤害的用户，包括造成的，反自我伤害，寻求支持，恢复，亲自我伤害和风险。受影响的类别占主导地位的集合。从参与的角度来看，我们展示了在线用户如何回应Twitter上的自我伤害支持组织发布的信息。通过注意最参与的组织，我们应用了一种有用的技术来揭示组织的战略。在线参与者对与心理健康相关属性相关的在线帖子表现出强烈的倾向。我们的研究是基于这样一个前提，即社交媒体可以作为一种工具，支持积极主动的措施，以减轻自我伤害的负面影响。因此，我们提供了防止潜在用户进行自我伤害的方法，并通过一系列建议支持受影响的用户。为了支持进一步的研究，数据集将提供给感兴趣的研究人员。
2021-04-01 cs.CL cs.SI
They Look Like Each Other: Case-based Reasoning for Explainable Depression Detection on Twitter using Large Language Models
Kansas State University（堪萨斯州立大学）；University of Isfahan（伊斯法罕大学）；National University of Singapore（新加坡国立大学）
本文提出ProtoDep框架，结合原型学习与大语言模型，在Twitter上实现可解释的抑郁症检测，提供症状级、案例级和决策级透明解释，在五个基准数据集上接近最先进性能。
2024-07-21 cs.AI cs.CL cs.SI
Automated Detection of Doxing on Twitter
Pennsylvania State University（宾夕法尼亚州立大学）
Doxing指的是未经个人同意披露个人敏感信息的做法。这种形式的网络欺凌对于在线社交网络来说是一种令人不快的，有时甚至是危险的现象。虽然先前的工作存在于其他类型的网络欺凌的自动识别上，但是需要能够专门检测Twitter上的doxing的方法。我们提出并评估了一套方法，用于自动检测第二和第三方披露Twitter上的敏感私人信息，其中一个子集构成doxing。我们总结了我们的发现背后的共同意图doxing情节和比较九种不同的方法自动检测的基础上字符串匹配和一个热编码的语法，以及单词和上下文字符串嵌入表示的推文。我们确定了一种方法，提供96.86%的准确率和97.37%的召回使用上下文字符串嵌入，并通过讨论我们提出的方法的实用性得出结论。
2022-02-02 cs.AI cs.CL cs.CR
Catch Me If You Can: Deceiving Stance Detection and Geotagging Models to Protect Privacy of Individuals on Twitter
TOBB University of Economics and Technology（TOBB经济与技术大学）；Qatar University（卡塔尔大学）
自然语言处理的最新进展在文本分析和语言理解模型方面取得了许多令人兴奋的发展;然而，这些模型也可以用于跟踪人，带来严重的隐私问题。在这项工作中，我们研究了个人在使用社交媒体平台时可以做些什么来避免被这些模型检测到。我们的调查基于两个有风险的任务，立场检测和地理标记。我们探索了各种简单的修改文本的技术，例如在突出的单词中插入错别字，释义，以及添加虚拟的社交媒体帖子。我们的实验表明，基于BERT的模型微调的立场检测的性能显着下降，由于错别字，但它不受释义。此外，我们发现错别字对最先进的地理标记模型的影响很小，因为它们越来越依赖于社交网络;然而，我们发现用户可以通过与不同的用户交互来欺骗这些模型，使其性能降低近50%。
2022-07-23 cs.CL cs.CY
Topical Stance Detection for Twitter: A Two-Phase LSTM Model Using Attention
IBM Research（IBM研究院）；NSIT（Netaji Subhas Institute of Technology）；IIT（印度理工学院）
主题立场检测问题解决了检测文本内容相对于给定主题的立场：给定文本内容的情感是否对给定主题有利（积极），反对（消极）或无（中性）。使用注意力的概念，我们开发了一个两阶段的解决方案。在第一阶段，我们对主观性进行分类--一条给定的推文对于给定的主题是中立的还是主观的。在第二阶段，我们对主观推文的情感进行分类（忽略中性推文）-给定的主观推文是否对主题持赞成或反对的立场。我们为每个阶段提出了一个基于长短期记忆（LSTM）的深度神经网络，并在每个阶段嵌入注意力。在SemEval 2016立场检测Twitter任务数据集上，我们获得了68.84%的最佳情况宏F分数和60.2%的最佳情况准确率，优于现有的基于深度学习的解决方案。我们的框架T-PAN是主题立场检测文献中的第一个，它在两阶段架构中使用了深度学习。
2018-01-09 cs.CL cs.IR cs.SI
Personality Detection and Analysis using Twitter Data
Indian Institute of Technology Kharagpur（印度理工学院克勒格布尔分校）
本文针对现有方法依赖小数据集的局限，构建并发布了包含1.52亿条推文和5.6万数据点的最大自动整理数据集用于MBTI人格预测，并进行了广泛的定性与定量分析及消融研究。
2023-09-11 cs.CL cs.CY
Sarcasm Detection in Twitter -- Performance Impact while using Data Augmentation: Word Embeddings
Bina Nusantara University（比娜努桑塔拉大学）
Sarcasm是一种通常用于嘲笑或惹恼某人或出于幽默目的的词语。讽刺主要用于社交网络和微博网站，在这些网站上，人们嘲笑或谴责的方式甚至让人难以分辨所说的是什么意思。在情感分析和意见挖掘等自然语言处理应用中，如果无法识别讽刺性话语，将混淆分类算法并生成错误结果。关于讽刺检测的一些研究利用了不同的学习算法。然而，这些学习模式大多只关注表达的内容，而孤立地忽略了语境信息。因此，他们未能捕捉到讽刺表情中的语境信息。此外，在一些研究中使用的一些数据集具有影响模型结果的不平衡数据集。在本文中，我们提出了一个上下文模型，在Twitter上使用Roberta的讽刺识别，并通过应用全局向量表示（GloVe）的词嵌入和上下文学习的建设，以产生更多的数据和平衡的数据集，以增加数据集。使用各种数据集和数据增强设置来测试该技术的有效性。特别是，当使用数据增强来增加20%标记为讽刺的数据时，我们在iSarcasm数据集中实现了3.2%的性能增益，与没有数据增强的37.2%相比，F分数为40.4%。
2021-08-31 cs.CL cs.LG
CovidMis20: COVID-19 Misinformation Detection System on Twitter Tweets using Deep Learning Models
Saginaw Valley State University（萨吉诺谷州立大学）；The Hashemite University（哈希姆大学）；Western Michigan University（西密歇根大学）；University of Nebraska at Kearney（内布拉斯加大学卡尼尔分校）
在线新闻和信息源是了解当前问题的方便和可访问的方式。例如，全球有3亿多人在推特上发帖，这为传播误导性信息提供了可能性。由于假新闻而犯下暴力犯罪的案件很多。这项研究提出了CovidMis 20数据集（COVID-19 Misinformation 2020数据集），其中包括从2020年2月至7月收集的1，375，592条推文。CovidMis 20可自动更新以获取最新新闻，并可在https://github.com/everythingguy/CovidMis20上公开获取。这项研究使用Bi-LSTM深度学习和集成CNN+Bi-GRU进行假新闻检测。结果表明，在测试准确度分别为92.23%和90.56%的情况下，集成CNN+Bi-GRU模型始终提供比Bi-LSTM模型更高的准确度。
2022-09-13 cs.CL cs.HC cs.LG
