Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο:
https://hdl.handle.net/123456789/316| Τύπος: | Πρακτικά συνεδρίου |
| Τίτλος: | Convolutional neural networks for twitter text toxicity analysis |
| Συγγραφέας: | [EL] Γεωργακόπουλος, Σπυρίδων[EN] Georgakopoulos, Spiros [EL] Τασουλής, Σωτήριος[EN] Tasoulis, Sotirios [EL] Βραχάτης, Αριστείδης[EN] Vrahatis, Aristidis [EL] Πλαγιανάκος, Βασίλειος[EN] Plagianakos, Vassilis |
| Ημερομηνία: | 03/04/2019 |
| Περίληψη: | Toxic comment classification is an emerging research field with several studies that have address several tasks in the detection of unwanted messages on communication platforms. Although sentiment analysis is an accurate approach for observing the crowd behavior, it is incapable of discovering other types of information in text, such as toxicity, which can usually reveal hidden information. Towards this direction, a model for temporal tracking of comments toxicity is proposed using tweets related to the hashtag under study. More specifically, a classifier is trained for toxic comments prediction using a Convolutional Neural Network model. Next, given a hashtag all relevant tweets are parsed and used as input in the classifier, hence, the knowledge about toxic texts is transferred to a new dataset for categorization. In the meantime, an adapted change detection approach is applied for monitoring the toxicity trend changes over time within the hashtag tweets. Our experimental results showed that toxic comment classification on twitter conversations can reveal significant knowledge and changes in the toxicity are accurately identified over time. |
| Γλώσσα: | Αγγλικά |
| Σελίδες: | 10 |
| DOI: | 10.1007/978-3-030-16841-4 _ 38 |
| ISBN: | 978-3-030-16840-7 |
| Θεματική κατηγορία: | [EL] Τεχνητή νοημοσύνη[EN] Artificial Intelligence |
| Λέξεις-κλειδιά: | convolutional neural networks; Toxic Comments; twitter conversations; change detection |
| Κάτοχος πνευματικών δικαιωμάτων: | © Springer Nature Switzerland AG 2020 |
| Ηλεκτρονική διεύθυνση του τεκμηρίου στον εκδότη: | https://link.springer.com/chapter/10.1007/978-3-030-16841-4_38 |
| Ηλεκτρονική διεύθυνση περιοδικού: | https://link.springer.com/book/10.1007/978-3-030-16841-4 |
| Τίτλος πηγής δημοσίευσης: | Proceedings of the INNS Big Data and Deep Learning Conference INNSBDDL2019 |
| Τόμος: | 1 |
| Σελίδες τεκμηρίου (στην πηγή): | 370-379 |
| Όνομα εκδήλωσης: | INNS Big Data and Deep Learning Conference INNSBDDL2019 |
| Τοποθεσία εκδήλωσης: | Sestri Levante, Genova, Italy |
| Ημ/νία έναρξης εκδήλωσης: | 16/04/2019 |
| Ημ/νία λήξης εκδήλωσης: | 18/04/2019 |
| Σημειώσεις: | This project has received funding from the Hellenic Foundation for Research and Innovation (HFRI) and the General Secretariat for Research and Technology (GSRT), under grant agreement No 1901. Part of the Proceedings of the International Neural Networks Society book series (INNS, volume 1) |
| Εμφανίζεται στις συλλογές: | Ερευνητικές ομάδες |
Αρχεία σε αυτό το τεκμήριο:
Το πλήρες κείμενο αυτού του τεκμηρίου δεν διατίθεται προς το παρόν από το αποθετήριο