切片循環(huán)神經(jīng)網(wǎng)絡(luò)和膠囊網(wǎng)絡(luò)的性別欺凌識別

陳繼洪，田生偉，禹 龍

(1.新疆大學(xué)軟件學(xué)院，新疆 烏魯木齊 830000；2.新疆大學(xué)網(wǎng)絡(luò)中心，新疆 烏魯木齊 830046)

1 引言

隨著互聯(lián)網(wǎng)的高速發(fā)展，人們廣泛的參與到社交網(wǎng)絡(luò)媒介的討論中，大量發(fā)表自己的言論，以此來表達(dá)自己對事態(tài)的觀點(diǎn)和看法。然而由于網(wǎng)絡(luò)缺乏監(jiān)管和網(wǎng)絡(luò)隱匿性的特點(diǎn)，部分網(wǎng)民會發(fā)表對他人挖苦、譏諷、甚至辱罵言論，使網(wǎng)絡(luò)中存在大量欺凌信息。這種利用網(wǎng)絡(luò)媒介發(fā)表對兩性不平等的偏見、歧視、諷刺，甚至是仇恨仇視言論，故意對受害者造成傷害的現(xiàn)象，稱之為網(wǎng)絡(luò)性別欺凌。性別欺凌一直是社會上重點(diǎn)關(guān)注的話題。京東一則文案寫到“不涂口紅的你，和男人有什么區(qū)別”；重慶公交墜江新聞，對“女乘客”、“女司機(jī)”的評論達(dá)十多萬條；以及社交網(wǎng)絡(luò)中的“直男癌”、“死基佬”、“女博士”等諸多性別欺凌詞匯。這些對于女性或男性權(quán)利的蔑視亦或者不尊重，無不對于男女平等的國際政策理念是一種侵蝕，不僅給社會帶來了負(fù)面影響，而且給受害人或群眾帶來心理和情感上的重大傷害。因此，如何運(yùn)用現(xiàn)有技術(shù)，有效識別網(wǎng)絡(luò)性別欺凌言論，成為當(dāng)前學(xué)術(shù)界研究的熱門課題。

近年，國內(nèi)外的研究人員對網(wǎng)絡(luò)欺凌展開了研究，取得了一定的數(shù)據(jù)資源和研究成果。李云心[1]通過分析以往的網(wǎng)絡(luò)欺凌案例，總結(jié)了網(wǎng)絡(luò)欺凌者的特點(diǎn)，為進(jìn)一步研究網(wǎng)絡(luò)欺凌提供了有力的線索。Chen等人[2]以Youtube的攻擊性評論為語料，在利用詞袋的基礎(chǔ)上增加了詞匯句法特征，從句子和用戶兩個方面提取特征融合，檢測它是否具有攻擊性。Burnap等人[3]通過一種基于規(guī)則的方法，以相關(guān)術(shù)語為特征對Twitter上的敵對內(nèi)容進(jìn)行分類。Djuric等人[4]基于詞向量模型，提出了用段落向量的神經(jīng)網(wǎng)絡(luò)算法，該算法中的段落向量內(nèi)部使用詞向量，相對于直接使用詞向量的方法有更好的性能。Silva等人[5]分析了推特等兩個社交平臺中網(wǎng)絡(luò)欺凌群體的特征，推斷出最容易受到欺凌的六個特征：性、種族、習(xí)性、品質(zhì)、性別和階層。Zeerak Waseem等人[6]以Twitter上種族歧視和性別歧視的仇恨言論語料，采用基于字符的n-gram方法，考慮了詞序信息，信息量更充分，F(xiàn)值達(dá)到73.93%。

以上表明，針對英文的研究取得了一定的成果，而中文對于性別欺凌的研究相對較少。傳統(tǒng)采用的基于詞法、規(guī)則、句法分析的方法，在欺凌詞匯識別上效果顯著，但是詞與詞之間的彼此依賴效果不明顯。基于詞向量的傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)，通過向量建立了詞序之間的聯(lián)系，在一定程度上提升了識別率。但是，忽略了上下文語境信息，不能深層次的挖掘語義特征。

因此，該文提出CASC算法模型，用于識別網(wǎng)絡(luò)性別欺凌文本。將富含上下文語境信息的詞向量，加入注意力機(jī)制，作為CapsNet和Srnn的輸入，從CapNet中獲取全局語義信息；通過Srnn多個層級輸入，獲取其詞級，句子級，段落級高級信息。兩個模型并行處理各自擅長的特征，減少特征在傳輸過程中的丟失。最后將兩者有效特征進(jìn)行融合分類，完成對網(wǎng)絡(luò)性別欺凌文本的識別。

2 基于語境的語料庫構(gòu)建

2.1 語料的收集

收集的語料包含新浪微博、天涯論壇和今日頭條的性別欺凌評論，總計(jì)1004條，作為實(shí)驗(yàn)數(shù)據(jù)的正樣本。此外，還在其它平臺上收集了包含地域欺凌、人身欺凌、宗教欺凌和不含欺凌信息的評論，總計(jì)6024條，作為實(shí)驗(yàn)數(shù)據(jù)的負(fù)樣本。表1列出了語料收集的詳細(xì)信息。

表1 語料收集詳細(xì)信息

2.2 語境的構(gòu)建

在語言學(xué)中，語境即語言環(huán)境，它包括上下文的語言知識、背景知識、情景知識、說話人的特質(zhì)、說話人與被評價(jià)對象的關(guān)系等。研究語境的目的是為了更好的理解語義，把握各類語境的特點(diǎn)和作用，會對語義的正確理解起到很好的導(dǎo)向和指歸作用[7]。

目前，對于漢語語境的分類有了一定的研究。李長忠等人[8]認(rèn)為受話人利用語境進(jìn)行語義重構(gòu)時(shí)對語境要素的選擇要求很高，因此按照語境因素，將語境分為從語言語境、情景語境、背景語境、文化語境和主觀語境；劉艦等人[9]對語境特征進(jìn)行了多元化分析，在語境特征描寫時(shí)通過交流者，主題，交流手段、方式，正式、緊緩程度，時(shí)間空間五個方面來進(jìn)行。為了更好的識別性別欺凌信息，在眾多學(xué)者的基礎(chǔ)上，該文建立了適合性別欺凌識別的語境分類體系[10]，如圖1所示。

圖1 性別欺凌識別的語境分類體系

單詞語境是由句中喻體本身提供，帶有明顯侮辱性、仇恨性、攻擊性等性質(zhì)的欺凌詞匯。例如：八婆、綠茶婊、偽娘等。

上下句語境是指前部分內(nèi)容與后部分內(nèi)容之間存在一定的關(guān)系。例如，“那個女人真漂亮，開那么炫酷的車，品位真好，肯定是被包養(yǎng)的”。該句中前部分夸女性長得漂亮、有品位，是褒義；而后部分嘲諷女性是被包養(yǎng)的，是貶義。如果沒有上下句語境的關(guān)聯(lián)，很難判斷為性別欺凌。

文化語境指言語交際雙方內(nèi)容，涵蓋地方性或民族性的社會文化，包括文化習(xí)俗、社會生活、民族心理、民族歷史等。例如，“夜店的女人都是潘金蓮”。句中“潘金蓮”一詞在中國歷史文化中富含貶義，一般指“輕浮”、“紅杏出墻”的女性形象。因此，此處是對夜店女性的一種偏見，屬于性別欺凌。

情景語境劃分為外部關(guān)系和內(nèi)部關(guān)系。外部關(guān)系包括時(shí)間、地點(diǎn)、場合、話題、談話對象關(guān)系等，內(nèi)部關(guān)系包括談話對象的身份、地位、地域、性別、階層等，內(nèi)部關(guān)系和外部關(guān)系相互提供線索，構(gòu)成情景語境。例如，“夜晚，婦產(chǎn)科醫(yī)院樓道，婆婆對兒媳婦說，這科室怎么還有男醫(yī)生啊”。句中“婦產(chǎn)科醫(yī)院樓道”，屬于外部關(guān)系，被欺凌對象是句中“男醫(yī)生”，屬于內(nèi)部關(guān)系，在這種語境下，兩者相互聯(lián)系，可以分析出，這是對婦產(chǎn)科男醫(yī)生的一種歧視，屬于性別欺凌。

主觀語境往往帶有個人主觀意圖、當(dāng)時(shí)心境、情感傾向等特點(diǎn)。例如，“彩蓮與男朋友分手后，回來就對我說，男人都是大豬蹄子”。句中“彩蓮”由于和男朋友的分手，受到主觀上的影響，對男性做出“大豬蹄子”的評價(jià)，是對男性的一種歧視，屬于性別欺凌。

背景語境是由背景知識、社會常識、專業(yè)知識等外部背景元素與被欺凌者或欺凌者之間構(gòu)成的一種內(nèi)在聯(lián)系。例如，“繼上次重慶公交墜江事件，又多了一個女人搶方向盤”。句中“重慶公交墜江事件”是一種背景知識，與句中被欺凌對象女性存在內(nèi)在聯(lián)系，如果不了解事件是由于女乘客搶奪司機(jī)方向盤而引起墜江的背景，就難以判斷是對女性的歧視，是一種性別欺凌。

2.3 基于語境的語料庫標(biāo)注

語料庫標(biāo)注其結(jié)果是帶有標(biāo)注信息的語料庫。為了更加準(zhǔn)確、有效地描述性別欺凌文本，該文結(jié)合傳統(tǒng)標(biāo)注體系結(jié)構(gòu)和性別欺凌語境體系結(jié)構(gòu)，對性別欺凌語料進(jìn)行了標(biāo)注。

2.3.1 欺凌角色及屬性標(biāo)注

網(wǎng)絡(luò)欺凌往往都存在一些角色及角色屬性，實(shí)施欺凌的一方標(biāo)注為欺凌者，受害的一方標(biāo)注為被欺凌者，參與整個事件但未發(fā)起欺凌的角色標(biāo)注為旁觀者。而這些欺凌角色往往具有明顯的群體特征，如一種膚色的群體攻擊另一種膚色的群體，一個宗教信仰的群體攻擊另一個宗教信仰群體等。為了完善欺凌語境，同時(shí)標(biāo)注了民族、宗教、性別、職業(yè)、階層、教育層度、地域等欺凌角色屬性。

2.3.2 性別欺凌標(biāo)注

通過手動標(biāo)注“是”和“否”標(biāo)簽，來確定每一條語料是否存在性別欺凌。在收集的語料中，除了包括帶有明顯欺凌詞匯的性別欺凌評論，還包括隱式性別欺凌評論，一般通過隱喻和反語的方式表達(dá)。例如，在圖4的語境下“優(yōu)良傳統(tǒng)”是褒義，而在圖5的語境下，則是貶義，是反語表述。

圖2

圖3

圖4

3 切片循環(huán)神經(jīng)網(wǎng)絡(luò)和膠囊網(wǎng)絡(luò)

該文提出了Att_CapsNet_Srnn算法模型，用于識別網(wǎng)絡(luò)性別欺凌文本。模型分為三層：注意力矩陣輸入層，聯(lián)合處理層，融合分類層。首先，將語料訓(xùn)練為詞向量，利用注意力機(jī)制計(jì)算詞向量的權(quán)重，將性別欺凌識別結(jié)果與詞向量建立某種關(guān)聯(lián)，獲得基于詞向量的文本特征注意力矩陣，作為聯(lián)合處理層的輸入。然后，通過膠囊網(wǎng)絡(luò)挖掘全局語義信息，同時(shí)通過Srnn逐層獲得時(shí)序詞級、句子級和段落級深層語義高級信息。最后，將聯(lián)合處理層的兩個輸出進(jìn)行特征融合和分類，完成性別欺凌識別任務(wù)。圖5為模型結(jié)構(gòu)圖。

圖5 模型結(jié)構(gòu)圖

3.1 注意力矩陣輸入層

將標(biāo)注的語料放入Glove詞向量訓(xùn)練模型，獲取全局的先驗(yàn)統(tǒng)計(jì)信息，控制詞的相對權(quán)重，使欺凌語句映射為高維空間詞向量，通過計(jì)算矩陣向量來反映詞與詞之間的關(guān)系。再通過注意力機(jī)制計(jì)算權(quán)重，獲取特定語義信息并實(shí)現(xiàn)信息流整合，作為聯(lián)合處理層的輸入。

3.1.1 注意力機(jī)制

(1)

利用si的詞向量矩陣和得到的詞向量注意力特征矩陣運(yùn)算，其中⊕表示拼接操作，即可以得到聯(lián)合處理層的輸入矩陣特征α

(2)

3.2 聯(lián)合處理層

3.2.1 Srnn

切片循環(huán)神經(jīng)網(wǎng)絡(luò)(Sliced Recurrent Neural Networks)是由Zeping Yu等人[12]在2018年首次提出的算法模型，它可以并行化處理更長的序列，獲得序列的順序信息，通過多個層級獲得高級信息。故該文選取Srnn來處理輸入層特征α，得到富含上下文的深層語義特征β。

模型選取GRU作為循環(huán)單元。GRU是LSTM的變體模型，主要包含重置門和更新門。使用更新門替換了LSTM中的輸入門和遺忘門，取消了LSTM中的輸出門，增加了重置門，這樣使之達(dá)到LSTM相近的效果下，減少了訓(xùn)練參數(shù)，降低了訓(xùn)練的計(jì)算開銷，提高了訓(xùn)練速度。具體的計(jì)算公式如下

rt=σ(Wrxt+Urht-1+br)

(3)

zt=σ(Wzxt+Utht-1+bz)

(4)

其中x為輸入，h為隱藏狀態(tài)，σ為邏輯sigmoid函數(shù)，約束rt和zt從0到1的范圍取值。

(5)

(6)

3.2.2 CapsNet

膠囊神經(jīng)網(wǎng)絡(luò)(Capsule Network，CapsNet)是由Hinton等人[13]提出，初始用于圖像分類識別，它將傳統(tǒng)CNN中的每個神經(jīng)元標(biāo)量輸出，替換為向量輸出，采用動態(tài)路由算法更新膠囊參數(shù)，取代了最大池化，有效減少了池化層所拋棄的一些有用信息，獲取了更多全局語義信息。zhao等人[14]探索膠囊網(wǎng)絡(luò)，用動態(tài)路由算法進(jìn)行文本分類，證明了膠囊網(wǎng)絡(luò)在文本分類中的有效性。馮國明等人[15]構(gòu)造基于膠囊的長、短文本分類模型，相對于傳統(tǒng)深度學(xué)習(xí)模型，在準(zhǔn)確率和收斂速度上都有所提升。故本該文引入膠囊網(wǎng)絡(luò)處理輸入層注意力特征矩陣α，得到富含全局語義信息的特征θ。

在膠囊網(wǎng)絡(luò)中，每一個膠囊神經(jīng)元都是向量，因此，每個膠囊神經(jīng)元相應(yīng)的權(quán)重Wij也是一個向量。膠囊網(wǎng)絡(luò)的輸入線性加權(quán)求和類似于全連接神經(jīng)網(wǎng)絡(luò)，但在線性求和階段上，加上了一個耦合系數(shù)Cij，具體計(jì)算公式如下

(7)

(8)

耦合系數(shù)表示每一個低層膠囊與其相對應(yīng)的高層膠囊之間的權(quán)重，Cij它由膠囊網(wǎng)絡(luò)中采用的動態(tài)路由算法softmax函數(shù)決定，計(jì)算公式如下

(9)

其中，bij表示膠囊i和膠囊j的對數(shù)概率，其初始值為0，不斷的迭代更新cij的值，bij更新計(jì)算公式如下

(10)

膠囊網(wǎng)絡(luò)采用了向量的新型非線性激活函數(shù)Squashing，該函數(shù)將輸入向量的模控制在0到1之間，保留了輸入向量的方向，輸出的vj計(jì)算如下

(11)

3.3 融合分類層

本層將聯(lián)合處理層富含上下文的深層語義特征β和全局語義特征θ進(jìn)行融合，然后將融合特征q輸入到一個全連接層，得到輸出n，最后通過sigmod函數(shù)完成分類，具體操作如下

q=β⊕θ

(12)

其中，⊕表示向量拼接，即將特征β拼接到特征θ之后

(13)

其中，S(n)的取值范圍為0到1，若S(n)的值大于閾值時(shí)，則取值為1，表示當(dāng)前樣本為正例，判定該樣本是性別欺凌；若S(n)的值小于閾值時(shí)，則取值為0，表示當(dāng)前樣本為負(fù)例，判定該樣本不是性別欺凌。

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)

該文將提出的方法在中文性別欺凌語料庫上進(jìn)行實(shí)驗(yàn)，用以完成性別欺凌識別任務(wù)。將性別欺凌識別問題看作二分類問題，數(shù)據(jù)包含1004條正樣本和6024條負(fù)樣本，詳見表1。在實(shí)驗(yàn)過程中，該文采用哈工大的LTP分詞工具進(jìn)行分詞，然后對語料進(jìn)行預(yù)處理。使用Glove模型算法生成詞典，詞典語料容量為88905條，通過詞典匹配樣本訓(xùn)練詞向量，運(yùn)用詞的全局統(tǒng)計(jì)信息和局部統(tǒng)計(jì)信息來生成語言模型，使詞得到向量化表示，每一個詞對應(yīng)的詞向量維度為100維。最后，將實(shí)驗(yàn)數(shù)據(jù)放入不同的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行實(shí)驗(yàn)對比，驗(yàn)證了CASC算法模型的有效性。

4.2 超參數(shù)

為了避免實(shí)驗(yàn)過程中出現(xiàn)偶然現(xiàn)象，確保數(shù)據(jù)的隨機(jī)性，實(shí)驗(yàn)采用了五折交叉法進(jìn)行驗(yàn)證，經(jīng)過反復(fù)實(shí)驗(yàn)，在實(shí)驗(yàn)結(jié)果中顯示，表2的模型為最優(yōu)參數(shù)設(shè)置，分類效果達(dá)到了最佳。

表2 實(shí)驗(yàn)參數(shù)設(shè)置

4.3 實(shí)驗(yàn)設(shè)計(jì)

為了探索不同角度下性別欺凌識別的效果，該文設(shè)計(jì)如下4個實(shí)驗(yàn)：①CASC模型與其它模型的對比；②詞向量維度對性別欺凌識別性能的影響；③正負(fù)樣本比例對性別欺凌識別性能的影響；④Srnn模型算法改進(jìn)對性別欺凌識別性能的影響。

4.3.1 CASC模型與其它模型的對比

為了驗(yàn)證該文提出的CASC算法模型的有效性，將該文模型與傳統(tǒng)的CNN模型、LSTM模型、Srnn模型、CapsNet模型、Srnn與CapsNet組合模型做對比。表3給出了在最優(yōu)參數(shù)設(shè)置下不同模型的實(shí)驗(yàn)性能。

表3 CASC模型與其它模型的對比

由表3可知，Srnn模型與傳統(tǒng)的LSTM和CNN相比，F(xiàn)值分別提高3.23%和1.66%，Acc分別提高0.43%和0.36%，這是由于Srnn更加擅長處理時(shí)序，通過多層循環(huán)單元捕獲了更深層次的上下文語義信息。同樣CapsNet模型與傳統(tǒng)的LSTM和CNN相比，F(xiàn)值分別提高6.94%和5.37%，Acc分別提高1.92%和1.85%，這是因?yàn)镃apsNet獲取了更多全局語義信息，對于識別隱式性別欺凌更加有效。兩個單獨(dú)的模型組合在一塊，F(xiàn)值到達(dá)了94.98%，Acc值提高為98.5%，可以看出，CapsNet_Srnn模型，提升了模型識別性能，同時(shí)提取了深層次的語義信息和全局的語義信息。CASC模型與CapsNet_Srnn相比，加入了注意力機(jī)制，F(xiàn)值和Acc分別提高0.6%和0.28%，這是因?yàn)樽⒁饬C(jī)制，通過注意力概率權(quán)重分配機(jī)制，關(guān)注了欺凌語句中更關(guān)鍵的信息。結(jié)合組合模型和注意力機(jī)制的優(yōu)點(diǎn)，使實(shí)驗(yàn)?zāi)Ｐ瓦_(dá)到了最優(yōu)。

4.3.2 詞向量維度對性別欺凌識別性能的影響

詞向量反映了詞的功能和上下文語義信息，不同維度的詞向量，對實(shí)驗(yàn)分類效果有影響。因此，該文分別訓(xùn)練了10、50、100、150維的詞向量，生成詞向量特征矩陣，進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如圖7所示。

圖6 詞向量維度對性別欺凌識別性能的影響

由圖4可知，詞向量維度由10維向量增加到50維向量時(shí)，F(xiàn)值和Acc提升最顯著，分別提高4.52%和1.64%，可以看出，隨著詞向量維度的增加，詞向量富含的語義信息越多，并在100維時(shí)F值和Acc達(dá)到最佳。當(dāng)詞向量維度增加到150維時(shí)，F(xiàn)值和Acc分別下降2.53%和0.71%，這是由于，詞向量維度太高，捕捉了語料中的噪聲，從而過擬合，使實(shí)驗(yàn)性能有所下降。

4.3.3 正負(fù)樣本比例對性別欺凌識別性能的影響

為了提高魯棒性，使模型性能更加穩(wěn)定，該文對語料的正負(fù)樣本比例進(jìn)行了處理，保持正樣本數(shù)量不變，改變負(fù)樣本數(shù)量，分別在正負(fù)樣本比例為1∶2、1∶4、1∶6、1∶8的規(guī)模下進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如圖8所示。

圖8 正負(fù)樣本比例對性別欺凌識別性能的影響

由圖5可知，隨著語料負(fù)樣本數(shù)量的增加，F(xiàn)值和Acc逐漸提高，并在正負(fù)樣本比例為1：6時(shí)F值和Acc達(dá)到最高，但正負(fù)樣本例超過1：6之后，F(xiàn)值和Acc均有下降。說明當(dāng)負(fù)樣本比例較小時(shí)，模型不能很好的識別數(shù)據(jù)中的負(fù)例，使得F值和Acc比較低；然而，隨著負(fù)樣本比例的不斷增加，超過一定值時(shí)，訓(xùn)練數(shù)據(jù)中的正例樣本比例變小，模型不能很好的識別正例樣本，識別率也降低。因此，該文在調(diào)整實(shí)驗(yàn)數(shù)據(jù)正負(fù)樣本比例時(shí)，控制在1：6的范圍，使實(shí)驗(yàn)效果達(dá)到最佳。

4.3.4 改進(jìn)的Srnn算法模型對性別欺凌識別性能的影響

Zeping等人提出的Srnn算法模型，是通過將序列切割成許多子序列，并通過多層GRU循環(huán)單元并行化處理，從而獲取序列的高級信息。但是，實(shí)驗(yàn)過程中發(fā)現(xiàn)，不切片的Srnn算法模型，對識別性別欺凌文本更加有效。實(shí)驗(yàn)結(jié)果如表4所示。

表4 改進(jìn)的Srnn算法模型對性別欺凌識別性能的影響

由表4可知，Srnn的算法模型，不切片的Srnn比切片的SrnnSliced的 F值和Acc分別提高2.53%和2.35%，這是因?yàn)椋瑢π蛄星衅螅偻ㄟ^GRU循環(huán)單元，獲取多層級高級信息時(shí)，雖然提高了模型的訓(xùn)練速度，但是丟失了原序列上下文的語義信息，使識別率降低。為了進(jìn)一步驗(yàn)證，將這兩種模型融入到組合模型中，可以看出，不切片的Att_CapsNet_Srnn比切片的Att_CapsNet_SrnnSliced性能更好，F(xiàn)值和Acc分別提高3.68%和1.21%。因此，該文采用了不切片的Srnn組合模型，使實(shí)驗(yàn)效果達(dá)到了最佳。

5 總結(jié)

如今，在識別網(wǎng)絡(luò)性別欺凌文本的任務(wù)中，大多傳統(tǒng)研究方法都是基于詞袋、規(guī)則、句法分析和基于詞向量的傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)等方式進(jìn)行，這些方式往往依賴原始詞特征，忽略了詞與詞之間的依賴性和上下文語義關(guān)系。基于以上不足，該文建立基于語境的性別欺凌語料庫，提出CASC并聯(lián)聯(lián)合算法模型。利用基于詞向量注意力機(jī)制的深度學(xué)習(xí)模型算法挖掘深層語義特征，通過膠囊網(wǎng)絡(luò)獲取全局語義信息，同時(shí)通過Srnn逐層挖掘時(shí)序詞級、句子級和段落級上下文語義高級信息，應(yīng)用于隱式性別欺凌識別。實(shí)驗(yàn)結(jié)果表明，該文提出的CASC算法模型對網(wǎng)絡(luò)性別欺凌文本識別任務(wù)更有效。