随着社交媒体的普及,网络上的仇恨言论问题日益严重。为了有效识别和防范仇恨言论,学术界和工业界都在积极开展相关研究。而高质量的仇恨言论数据集是这些研究的基础和关键。
仇恨言论数据集通常包含大量带有标注的文本样本,标明哪些是仇恨言论,哪些不是。研究人员可以利用这些数据集训练和测试仇恨言论检测模型,评估模型性能。高质量的数据集对于提升模型的准确性和泛化能力至关重要。
此外,仇恨言论数据集还能帮助研究人员深入分析仇恨言论的语言特征、表现形式和传播规律,为制定有效的防范策略提供理论依据。因此,构建全面、可靠的仇恨言论数据集已成为该领域的一个重要研究方向。
近年来,学术界已经构建了多种类型的仇恨言论数据集。本文将从语言、平台、标注方式等多个维度对主流数据集进行梳理和对比。
英语是目前仇恨言论数据集最多的语言,主要数据集包括:
Davidson等人的Twitter仇恨言论数据集:包含24,802条推文,标注为hate speech、offensive language和neither三类。
Waseem和Hovy的数据集:包含16,914条推文,标注为racist、sexist和neither。
Founta等人的数据集:包含80,000条推文,标注为abusive、hateful、normal和spam四类。
HateXplain数据集:包含20,148条文本,不仅标注了是否为仇恨言论,还标注了具体针对的群体和仇恨理由。
除英语外,其他语言的数据集也在逐渐增多:
目前仇恨言论数据集的来源平台主要包括:
Twitter:最主要的数据来源,如Davidson、Waseem、Founta等人的数据集都来自Twitter。
Facebook:如Ousidhoum等人的多语言仇恨言论数据集包含部分Facebook数据。
Reddit:如de Gibert等人的数据集包含来自Reddit的极端主义言论。
YouTube:如Mustafa等人专门构建了YouTube评论仇恨言论数据集。
新闻网站评论:如Pavlopoulos等人的数据集包含希腊新闻网站的评论。
仇恨言论数据集的标注方式主要有:
二分类:将文本简单分为仇恨言论和非仇恨言论两类。
多分类:如将文本分为hate speech、offensive language、neither等多个类别。
层次化分类:先判断是否offensive,再判断是否针对特定目标,最后判断具体目标类型。
连续打分:如给文本的仇恨程度打0-1的连续分数。
多维度标注:除了是否仇恨外,还标注针对群体、仇恨理由等信息。
仇恨言论数据集在自然语言处理研究中有广泛应用:
仇恨言论检测:训练和评估各种机器学习模型,如SVM、CNN、BERT等。
跨语言/跨领域迁移:研究如何将一种语言的模型迁移到另一种语言。
仇恨言论特征分析:挖掘仇恨言论的语言特点、表达模式等。
仇恨言论演化研究:分析不同时期仇恨言论的变化趋势。
对抗样本生成:构造难以识别的对抗性仇恨 言论样本。
尽管仇恨言论数据集研究取得了显著进展,但仍面临一些挑战:
标注一致性:不同标注者对仇恨言论的理解可能存在差异。
样本不平衡:正常言论通常远多于仇恨言论,造成类别不平衡。
隐晦表达:一些含蓄的仇恨表达难以识别。
上下文依赖:脱离语境的单条文本可能难以判断。
多模态融合:如何将文本、图像等多模态信息结合起来。
实时性:社交媒体上仇恨言论的表现形式在快速变化。
伦理问题:数据收集和使用中的隐私保护问题。
针对上述挑战,未来仇恨言论数据集研究可以从以下方向展开:
改进标注方法,如采用众包标注、专家审核等提高一致性。
构建大规模平衡数据集,或开发处理不平衡数据的算法。
加入更多上下文信息,如对话历史、用户画像等。
构建多模态数据集,结合文本、图像、视频等多种信息。
开发动态更新的数据集,及时反映最新的仇恨言论形式。
注重数据的多样性,覆盖不同语言、文化背景。
加强数据伦理研究,在保护隐私的同时促进数据开放共享。
仇恨言论数据集是自然语言处理领域的重要研究资源。高质量的数据集不仅能推动仇恨言论检测技术的进步,还能帮助我们更好地理解和应对网络仇恨言论问题。未来,随着新技术的发展和各方的共同努力,相信会有更多优质的仇恨言论数据集不断涌现,为构建更加友善、包容的网络环境贡献力量。
Davidson, T., Warmsley, D., Macy, M., & Weber, I. (2017). Automated hate speech detection and the problem of offensive language. In Proceedings of the International AAAI Conference on Web and Social Media (Vol. 11, No. 1).
Waseem, Z., & Hovy, D. (2016). Hateful symbols or hateful people? predictive features for hate speech detection on twitter. In Proceedings of the NAACL student research workshop (pp. 88-93).
Founta, A. M., Djouvas, C., Chatzakou, D., Leontiadis, I., Blackburn, J., Stringhini, G., ... & Kourtellis, N. (2018). Large scale crowdsourcing and characterization of twitter abusive behavior. In Twelfth International AAAI Conference on Web and Social Media.
Mathew, B., Saha, P., Tharad, H., Rajgaria, S., Singhania, P., Maity, S. K., ... & Mukherjee, A. (2021). Hatexplain: A benchmark dataset for explainable hate speech detection. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 35, No. 17, pp. 14867-14875).
Albadi, N., Kurdi, M., & Mishra, S. (2018, August). Are they our brothers? Analysis and detection of religious hate speech in the Arabic Twittersphere. In 2018 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM) (pp. 69-76). IEEE.
希望这篇文章对您有所帮助!如果您需要更多关于仇恨言论数据集的信息,欢迎随时与我交流。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的 产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。
一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。
基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。
一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。
olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务 器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号