跨语言冒犯性语言检测：数据集、方法及挑战的系统性回顾

《ACM Computing Surveys》：Cross-lingual Offensive Language Detection: A Systematic Review of Dataset, Approach and Challenge

社交媒体中跨语言迁移学习用于攻击性语言检测的系统综述，分析67篇文献的迁移策略、多语言数据集及资源，提出实例、特征和参数三种转移方法，揭示当前挑战与未来方向，提供在线数据集和方法的参考表。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

社交媒体中攻击性语言的日益普遍和快速演变加剧了检测的复杂性，尤其是在跨多种语言识别此类内容方面面临的挑战。本研究系统而全面地探讨了跨语言迁移学习（CLTL）技术在社交媒体攻击性语言检测中的应用。我们的研究是首个专门针对这一领域跨语言场景的综合性概述。我们分析了67篇相关论文，并从多个维度对这些研究进行了分类，包括所使用的多语言数据集的特点、采用的跨语言资源以及具体的CLTL策略。根据“转移内容”的不同，我们总结了三种主要的CLTL转移方法：实例转移、特征转移和参数转移。此外，我们还指出了该领域当前面临的挑战和未来的研究方向。此外，我们已将调查资源在线公开，其中包括两个综合表格，提供了对文献中使用的多语言数据集和CLTL方法的参考信息。

人工智能摘要

人工智能生成的摘要（实验性)

该摘要是使用自动化工具生成的，并非由文章作者撰写或审核的。它旨在帮助读者发现研究内容、评估其相关性，并帮助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍是文章的官方版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的摘要版本。

要查看此由人工智能生成的通俗语言摘要，您必须具有高级访问权限。