基于机器学习算法的Twitter网络欺凌检测比较分析

### 基于机器学习算法的Twitter网络欺凌检测比较分析 #### 1. 引言 网络欺凌是一种普遍存在的现象，会对受害者的心理、行为和生理产生负面影响。研究表明，网络欺凌在全球范围内、不同年龄段和性别中都有发生。它是利用互联网、手机和其他电子设备故意伤害或骚扰他人的行为。随着Facebook和Twitter等社交媒体的流行和发展，网络欺凌的发生率不断上升，美国心理协会和白宫已将其确定为对公众健康的重大威胁，美国国家预防犯罪委员会也发现超过40%的美国青少年在社交媒体上遭受过欺凌。因此，开发自动化的网络欺凌检测系统对于维护社交媒体平台的健康和安全至关重要。 根据Willard（2004）的说法，网络欺凌有八种不同形式，包括冒充、诽谤和骚扰等。尽管社交媒体已经出现了近二十年，但针对网络欺凌的有效措施却不多。近期，研究人员开始关注利用个体的心理特征（如个性、情感和情绪）来进行自动网络欺凌检测的机制。本文提出了一种基于两种监督机器学习方法（标准方法和集成方法）的网络欺凌检测模型，使用了朴素贝叶斯、逻辑回归、决策树、随机森林和AdaBoost分类器。在本研究中，高斯朴素贝叶斯分类器表现最差，而随机森林分类器在所有参数上表现最佳。为了评估所有分类器算法的性能，使用了包括准确率、精确率、召回率、F1分数和ROC面积等多种指标。评估结果表明，集成监督算法的性能优于标准监督算法。 网络欺凌的类型如下表所示： | 类型 | 描述 | | --- | --- | | 争吵（Flaming） | 用愤怒语言进行的在线争吵 | | 骚扰（Harassment） | 反复发送恶意或侮辱性信息 | | 诋毁（Denigration） | 发送流言蜚语和谣言 | | 揭露隐私（Outing） | 分享秘密或令人尴尬的信息 | | 欺骗（Trickery） | 诱使他人分享秘密 | | 冒充（Impersonation） | 假装成别人 | | 排斥（Exclusion） | 残忍地排斥某人 | | 网络跟踪（Cyberstalking） | 强烈的骚扰 | 下面是网络欺凌检测的简单流程图： ```mermaid graph LR A[数据收集] --> B[数据预处理] B --> C[特征提取（TF-IDF）] C --> D[模型训练] D --> E[模型评估] E --> F[结果分析] ``` #### 2. 网络欺凌的影响 尽管网络欺凌过程中欺凌者和受害者没有身体上的接触，但它仍然会对受害者的心理健康产生负面影响。8%的网络欺凌受害者曾考虑过结束自己的生命，许多青少年受害者甚至因此辍学。此外，还可能导致头痛、失眠、胃部不适、食欲不振和恶心等身体症状。在心理健康方面，受害者可能会感到焦虑、孤立和悲伤，自我价值感降低。由于自尊心低的人更容易成为网络欺凌的目标，低自尊心也可能是网络欺凌的开端。 #### 3. 研究问题 本文讨论了以下问题： - Q1：使用标准和集成模型检测网络欺凌时，最重要的特征是什么？ - Q2：决策树、逻辑回归和朴素贝叶斯模型在检测网络欺凌方面的效果如何？ - Q3：在检测网络欺凌时，随机森林和AdaBoost集成模型与标准模型的性能有何不同？ #### 4. 相关工作 到目前为止，已经有许多研究致力于寻找解决各种社交网络上网络攻击的可能方案。以下是一些相关研究的概述： - **Tommy K. H. Chan等人**：通过对相关文献的深入研究和分析，整合了之前获得的所有信息。利用社会认知理论总结已知内容并确定需要探索的内容，重点关注犯罪者、受害者和旁观者之间的相互作用。但该研究存在一定局限性。 - **Umaa Ramakrishnan等人**：对当前的每种方法进行了深入分析，并提出了一种创新的解决方案来解决“词袋”（BOW）问题。该方法可以解决用户在情感分析中使用过多过滤器时遇到的困难，让用户能够应用过滤器并得出特定区域内推文极性的总体结果。但算法执行结果所需时间过长，未来需要提高系统的时间效率和鲁棒性。 - **Vimala Balakrishnan等人**：通过挖掘Twitter用户的心理特征（如个性、情绪和情感）来处理网络欺凌的自动识别机制。使用大五和黑暗三元模型识别用户身份，并用朴素贝叶斯、随机森林和J48将推文分类为粗俗、攻击者、垃圾邮件发送者和正常类别。考虑个性和情感时，网络欺凌的识别能力有所提高，但情感方