تشخیص چندکلاسه گفتار نفرت در توییتر با بهره گیری از مدل ترکیبی یادگیری عمیق (BiGRU) و شبکه های کپسولی

گسترش روزافزون شبکه های اجتماعی چالش های جدیدی از جمله انتشار گفتار نفرت انگیز را به همراه داشته است؛ از این رو تشخیص خودکار و دقیق این نوع محتوا برای حفظ امنیت روانی کاربران در محیط های آنلاین امری ضروری محسوب می شود. در این پژوهش یک مدل ترکیبی نوین مبتنی بر یادگیری عمیق با نام اچ _جی _بی _کپس برای تشخیص و طبقه بندی گفتار نفرت انگیز ارائه شده است. معماری پیشنهادی از ادغام سه بخش اصلی شامل لایه تعبیه کلمات، لایه شبکه عصبی بازگشتی گیتی دوسویه و شبکه های کپسولی تشکیل یافته است تا با بهره گیری حداکثری از اطلاعات متنی عملکرد سیستم تشخیص را بهبود بخشد. ساختار مذکور امکان استخراج دقیق تر ویژگی های پنهان متون و درک عمیق تر وابستگی های طولانی مدت معنایی را فراهم می سازد. از ویژگی های بارز مدل پیشنهادی قابلیت تعمیم پذیری بالای آن در هر دو رویکرد طبقه بندی باینری و چندکلاسه است. نتایج حاصل از ارزیابی های تجربی نشان می دهد که مدل اچ _جی _بی _کپس در سناریوی چالش برانگیز طبقه بندی چندکلاسه به دقت ۸۰ درصد (۰.۸۰) دست یافته است. مقایسه این نتایج با پژوهش های مشابه پیشین حاکی از بهبود قابل توجه عملکرد و کارایی مدل پیشنهادی در شناسایی و تفکیک دقیق کلاس های مختلف گفتار نفرت انگیز است.

کلیدواژه ها:

تشخیص گفتار ، نفرت ، توییتر ، شبکه capsule ، طبقه بندی چندگانه ، یادگیری عمیق