通过多维标签相关性增强改进对话中的多标签恶意检测
Abstract
如果对话反应建立在消极情绪、不恰当的行为或不道德的内容和对话行为的价值基础上,那么它就是恶意的。恶意对话应答的检测引起了越来越多的兴趣。目前的对话恶意检测研究在数据集和方法上存在一定的局限性。首先,可用的与恶意相关的对话数据集被标记为单一的类别,但在实践中为每个话语分配单一的类别可能不合适,因为一些恶意话语属于多个标签。其次,当前检测对话恶意的方法忽略了标签相关性。因此,我们提出了多标签对话恶意检测的任务,并众包多标签数据集,即多标签对话恶性检测(MDMD)进行评估。我们还提出了一种多标签恶意检测模型,即多面标签相关性增强CRF(MCRF),具有两种标签相关性机制,即分类学中的标签相关性(LCT)和上下文中的标签相关(LCC)。在MDMD上的实验表明,我们的方法在准确率、召回率、F1和Jaccard得分上分别比表现最好的基线表现好16.1%、11.9%、12.0%和6.1%。