Social Media Toxicity Classification Using Deep Learning: Real-World Application UK Brexit (Запись № 665172)

Подробно MARC
000 -Маркер
Поле контроля фиксированной длины 03467nlm1a2200529 4500
005 - Идентификатор версии
Поле контроля фиксированной длины 20231030041954.0
035 ## - Другие системные номера
Идентификатор записи (RuTPU)RU\TPU\network\36371
035 ## - Другие системные номера
Идентификатор записи RU\TPU\network\36170
100 ## - Данные общей обработки
Данные общей обработки 20210826a2021 k y0engy50 ba
101 0# - Язык ресурса
Язык текста, звукозаписи и т.д. английский
102 ## - Страна публикации или производства
Страна публикации
135 ## - Поле кодированных данных: электронные ресурсы
Кодированные данные для электронного ресурса drcn ---uucaa
181 #0 - Поле кодированных данных: вид содержания
Код вида содержания i
182 #0 - Поле кодированных данных: средство доступа
Код средства доступа electronic
200 1# - Заглавие и сведения об ответственности
Основное заглавие Social Media Toxicity Classification Using Deep Learning: Real-World Application UK Brexit
Первые сведения об ответственности Fan Hong, Du Wu, A. Dahou [et al.]
203 ## - Вид содержания и средство доступа
Вид содержания
Средство доступа
300 ## - Общие примечания
Текст примечания Title screen
320 ## - Примечания о наличии в ресурсе библиографии/указателя
Текст примечания [References: 73 tit.]
330 ## - Резюме или реферат
Текст примечания Social media has become an essential facet of modern society, wherein people share their opinions on a wide variety of topics. Social media is quickly becoming indispensable for a majority of people, and many cases of social media addiction have been documented. Social media platforms such as Twitter have demonstrated over the years the value they provide, such as connecting people from all over the world with different backgrounds. However, they have also shown harmful side effects that can have serious consequences. One such harmful side effect of social media is the immense toxicity that can be found in various discussions. The word toxic has become synonymous with online hate speech, internet trolling, and sometimes outrage culture. In this study, we build an efficient model to detect and classify toxicity in social media from user-generated content using the Bidirectional Encoder Representations from Transformers (BERT). The BERT pre-trained model and three of its variants has been fine-tuned on a well-known labeled toxic comment dataset, Kaggle public dataset (Toxic Comment Classification Challenge). Moreover, we test the proposed models with two datasets collected from Twitter from two different periods to detect toxicity in user-generated content (tweets) using hashtages belonging to the UK Brexit. The results showed that the proposed model can efficiently classify and analyze toxic tweets.
461 ## - Уровень набора
Заглавие Electronics
463 ## - Уровень физической единицы
Заглавие Vol. 10, iss. 11
Обозначение тома [1332, 18 p.]
Дата публикации 2021
610 1# - Неконтролируемые предметные термины
Предметный термин труды учёных ТПУ
610 1# - Неконтролируемые предметные термины
Предметный термин электронный ресурс
610 1# - Неконтролируемые предметные термины
Предметный термин toxic
610 1# - Неконтролируемые предметные термины
Предметный термин social media
610 1# - Неконтролируемые предметные термины
Предметный термин brexit
610 1# - Неконтролируемые предметные термины
Предметный термин Twitter
610 1# - Неконтролируемые предметные термины
Предметный термин BERT
610 1# - Неконтролируемые предметные термины
Предметный термин sentiment analysis
610 1# - Неконтролируемые предметные термины
Предметный термин социальные медиа
610 1# - Неконтролируемые предметные термины
Предметный термин социальные сети
610 1# - Неконтролируемые предметные термины
Предметный термин глубокое обучение
701 #0 - Имя лица – альтернативная ответственность
Начальный элемент ввода Fan Hong
701 #0 - Имя лица – альтернативная ответственность
Начальный элемент ввода Du Wu
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Dahou
Часть имени, кроме начального элемента ввода A.
Расширение инициалов личного имени Abdelghani
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Ewees
Часть имени, кроме начального элемента ввода A. A.
Расширение инициалов личного имени Ahmed
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Yousri
Часть имени, кроме начального элемента ввода D.
Расширение инициалов личного имени Dalia
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Mokhamed Elsaed
Часть имени, кроме начального элемента ввода A. M.
Дополнения к именам, кроме дат Specialist in the field of informatics and computer technology
-- Professor of Tomsk Polytechnic University
Даты 1987-
Расширение инициалов личного имени Akhmed Mokhamed
-- stltpush
Идентификатор авторитетной/ нормативной записи (RuTPU)RU\TPU\pers\46943
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Elsheikh
Часть имени, кроме начального элемента ввода A. H.
Расширение инициалов личного имени Ammar
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Abualigah
Часть имени, кроме начального элемента ввода L.
Расширение инициалов личного имени Lait
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Al-qaness Mohammed
Часть имени, кроме начального элемента ввода A. A.
712 02 - Наименование организации – вторичная ответственность
Начальный элемент ввода Национальный исследовательский Томский политехнический университет
Структурное подразделение Инженерная школа информационных технологий и робототехники
-- Отделение информационных технологий
-- 7951
-- stltpush
Идентификатор авторитетной/ нормативной записи (RuTPU)RU\TPU\col\23515
801 #2 - Источник записи
Страна RU
Организация 63413507
Дата составления 20210827
Правила каталогизации RCR
856 40 - Местонахождение электронных ресурсов и доступ к ним
Универсальный идентификатор ресурса https://doi.org/10.3390/electronics10111332
090 ## - System Control Numbers (Koha)
Koha biblioitem number (autogenerated) 665172
942 ## - Добавленные элементы ввода (Коха)
Тип документа Computer Files

Нет доступных единиц.