基于图神经网络的进化算法在资源有限的亚洲语言环境下实现网络欺凌检测

《ACM Transactions on Asian and Low-Resource Language Information Processing》：Evolutionary Algorithm with Graph Neural Network Driven Cyberbullying Detection on Low Resource Asian Languages

本研究提出基于非洲秃鹫优化算法与图神经网络的网络欺凌检测模型，通过数据预处理和FastText词嵌入优化，有效解决了社交媒体评论短小、用词模糊等问题，实验证明该模型在检测精度和分类性能上显著优于传统方法。

　　

摘要

信息通信技术（ICT）被亚洲青年广泛采用，同时也被整个大陆各年龄段的人们所使用。尽管它具有许多优势，但不道德的ICT使用方式可能会引发诸多问题。其中，一种有害的ICT应用形式是网络欺凌。仅仅遵守普遍接受的网络安全规范和指南并不能完全保护人们免受网络犯罪的侵害，即便是像Twitter这样的知名社交媒体平台也无法完全避免此类攻击。近年来，针对网络欺凌检测的自然语言处理（NLP）研究变得越来越受欢迎。尽管传统的NLP方法在处理网络欺凌问题上已经取得了显著进展，但仍存在一些需要克服的障碍，例如社交媒体平台对字符数量的限制、评论之间的不平衡、语言的模糊性以及俚语的不当使用。基于卷积神经网络（CNNs）、多层感知器（MLPs）和循环神经网络（RNNs）的模型在多种NLP任务中展现了令人鼓舞的结果。基于这些研究背景，本文提出了一种基于图神经网络的网络欺凌检测与分类算法——AVOAGNN-CBDC。该算法的主要目标是检测和分类网络欺凌行为。为实现这一目标，AVOAGNN-CBDC技术经历了多个阶段的数据预处理，并采用了FastText进行词嵌入处理。此外，该算法还利用GNN模型来进行网络欺凌的检测与分类。最后，通过AVOA算法对GNN模型的参数进行优化，从而提升了分类效果。通过对网络欺凌数据集的实验验证，结果表明AVOAGNN-CBDC在多个评估指标上均表现出优越的性能。