Detección de acoso cibernético en datos multimodales utilizando arquitecturas de aprendizaje profundo pre-entrenado
Introducción: El presente artículo es producto de la investigación “Detección del ciberacoso en datos mul-timodales utilizando arquitecturas de aprendizaje profundo pre-entrenadas”, desarrollada en Pondicherry Engineering College en el año 2020.
Problema: Identificación de actividades de ciberacoso en datos multimodales de redes sociales.
Objetivo: Proponer un modelo que pueda identificar la actividad de ciberacoso para datos de texto e imágenes.
Metodología: Este artículo ha extraído las características del uso de dos arquitecturas previamente entrenadas para datos de texto e imágenes, con el fin de identificar actividades de ciberacoso en datos multimodales, características de texto concatenadas y características de imagen, antes de suministrarlas como entradas al clasificador.
Resultados: Se ha realizado un análisis sobre el enfoque propuesto implementado en datos multimodales con Recall y F1-Score como medidas. La visualización Grad-cam se presenta para que las imágenes muestren regiones destacadas.
Conclusión: Los resultados indican que el enfoque propuesto es eficiente en comparación con los métodos de referencia.
Originalidad: el enfoque propuesto es eficaz y está conceptualizado para mejorar la detección del ciberacoso en datos multimodales.
Limitaciones: existe la necesidad de desarrollar un modelo que pueda identificar imágenes gráficas y videos de intimidación
Cómo citar
Licencia
Derechos de autor 2021 Ingeniería Solidaria
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Compromiso ético y cesión de derechos
El autor debe declarar que su trabajo es original e inédito y que no se ha postulado a evaluación simultánea para su publicación por otro medio. Además, debe asegurar que no tiene impedimentos de ninguna naturaleza para la concesión de los derechos previstos en el contrato.
El autor se compromete a esperar el resultado de evaluación de la revista Ingeniería Solidaria, antes de considerar su presentación a otro medio; en caso de que la respuesta de publicación sea positiva, adicionalmente, se compromete a responder por cualquier acción de reivindicación, plagio u otra clase de reclamación que al respecto pudiera sobrevenir por parte de terceros.
Asimismo, debe declarar que, como autor o coautor, está de acuerdo por completo con los contenidos presentados en el trabajo y ceder todos los derechos patrimoniales, es decir, su reproducción, comunicación pública, distribución, divulgación, transformación, puesta a disposición y demás formas de utilización de la obra por cualquier medio o procedimiento, por el término de su protección legal y en todos los países del mundo, al Fondo Editorial de la Universidad Cooperativa de Colombia, de manera gratuita y sin contraprestación presente o futura.
J.A. Pater, A.D. Miller, E.D. Mynatt, “This digital life: a neighborhood-based study of adoles-cents’ lives online,” Proceedings of the 33rd Annual ACM Conference on Human Factors inComputing Systems, pp. 2305-2314, 2015, doi: 10.1145/2702123.2702534
D. Halpern, M. Pina and J. Vasuquez, “Loneliness,personal and social well-being:towardsa conceptualization of the effects of Cyberbullying,” Cult.y Educ., vol-29, no.4, pp.703- 727,oct-2017, doi: https://doi.org/10.1080/11356405.2017.1370818
K. Reynolds, A. Kontostathis A, L. Edwards, “Using machine learning to detect cyberbullying,” 2011 10th International conference on machine learning and applications and workshops(ICMLA), vol. 2, pp 241–244. 2011, doi: 10.1109/ICMLA.2011.152
D. Yin, Z. Xue, L. Hong, B.D. Davison, A. Kontostathis, L. Edwards, “Detection of harassment on web 2.0.,” Proc Content Anal WEB 2, 1–7, 2009.
H. Rosa, D. Matos, R. Ribeiro, L. Coheur and J. P. Carvalho, “A “Deeper” Look at DetectingCyberbullying in Social Networks,” 2018 International Joint Conference on Neural Networks(IJCNN), Rio de Janeiro, pp. 1-8, Oct-2018, doi: 10.1109/IJCNN.2018.8489211
S. Bu., S. Cho., “A Hybrid Deep Learning System of CNN and LRCN to Detect Cyberbullying from SNS Comments,” Hybrid Artificial Intelligent Systems, 2018, doi: 10.1007/978-3-319-92639-1_47
D. Van Bruwaene, Q. Huang, D. Inkpen, “A multi-platform dataset for detecting cyberbull-ying in social media,” Lang Resources & Evaluation, 54, pp.851–874, 2020, doi : https://doi.org /10.1007/s10579-020-09488-3
Zx. Liu, Dg. Zhang, Gz. Luo, et al., “A new method of emotional analysis based on CNN– Bi-LSTM hybrid neural network,” Cluster Computing, 23, pp.2901–2913, 2020. doi : https://doi.org/10.1007/s10586-020-03055-9
S.S. Shylaja, Abhishek Narayanan, Abhijith Venugopal, Abhishek Prasad, “Recurrent NeuralNetwork Architectures with Trained Document Embeddings for Flagging Cyber-AggressiveComments on Social media,” International Conference on Advanced Computing andCommunications (ADCOM), 2018.
F. Frederick, Patacsil, “Analysis of Cyberbullying Incidence among Filipina Victims: A PatternRecognition using Association Rule Extraction,” International Journal of Intelligent Systemsand Applications (IJISA), vol.11, no.11, pp.48-57, 2019, doi: 10.5815/ijisa.2019.11.05
J. de-la-Peña-Sordo, I. Pastor-López, X. Ugarte-Pedrero, I. Santos and P. G. Bringas, “Anomaly-based user comments detection in social news websites using troll user comments as nor-mality representation,” Logic Journal of the IGPL, vol. 24, no. 6, pp. 883-898, 2016, doi: 10.1093/jigpal/jzw043.
G.O. Gutiérrez-Esparza, M. Vallejo-Allende, J. Hernández-Torruco, “Classification of Cyber-Aggression Cases Applying Machine Learning,” Appl. Sci. 9, no. 9, 1828., 2019, dpoi: https://doi.org/10.3390/app9091828
Haoti Zhong, Hao Li, Anna Squicciarini, Sarah Rajtmajer, Christopher Griffin, David Miller, and Cornelia Caragea, “Content-driven detection of cyberbullying on the Instagram social ne-twork,” Proceedings of the Twenty-Fifth International Joint Conference on Artificial Intelligence,(IJCAI’16), AAAI Press, pp,3952–3958, 2016.
R. Zhao and K. Mao, “Cyberbullying Detection Based on Semantic-Enhanced MarginalizedDenoising Auto-Encoder,” IEEE Transactions on Affective Computing, vol. 8, no. 3, pp. 328-339, 2017, doi : 10.1109/TAFFC.2016.2531682.
A. Kumar, Nitin Sachdeva. “Cyberbullying detection on social multimedia using soft com-puting techniques: a meta-analysis,” Multimedia Tools and Applications, pp. 1-38, 2019, doi:https://doi.org/10.1007/s11042-019-7234-z
X. Zhang, X. et al., “Cyberbullying Detection with a Pronunciation Based Convolutional Neural Network,” 15th IEEE International Conference on Machine Learning and Applications (ICMLA), 740-745, 2016, doi : 10.1109/ICMLA.2016.0132.
J.K. Tripathy, S.S. Chakkaravarthy, S.C. Satapathy, et al., “ALBERT-based fine-tuning modelfor cyberbullying analysis,” Multimedia Systems, 2020, doi: https://doi.org/10.1007/s00530-020-00690-5
S. Paul, S. Saha, “CyberBERT: BERT for cyberbullying identification,” Multimedia Systems, 2020, doi : https://doi.org/10.1007/s00530-020-00710-4
K. Kumari, J.P. Singh, Y.K. Dwivedi, et al., “Towards Cyberbullying-free social media in smartcities: a unified multi-modal approach,” Soft Computing, pp.11059-11070, 2019, doi: https://doi.org/10.1007/s00500-019-04550-x
K. Kumari, J.P. Singh, “Identification of cyberbullying on multi-modal social media postsusing genetic algorithm,” Wiley, 2020, doi : https://doi.org/10.1002/ett.3907
F. Chollet, “Xception: Deep learning with depth wise separable convolutions,” Conference Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 1800-1807, 2017, doi: 10.1109/CVPR.2017.195.
Yinhan Liu, Myle Ott, Naman Goyal, Jingfei Du, Mandar Joshi, Danqi Chen, Omer Levy, MikeLewis, Luke Zettlemoyer and Veselin Stoyanov, “ RoBERTa: A robustly optimized BERT pre-training approach,” 2019.
J. Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, “BERT: pre-training of deep bidi-rectional transformers for language understanding,” pp. 4171-4186, 2018, doi:10.18653/v1/N19-1423
Ramprasaath R selvaraju, Michael Cogswell, Abhisek Das, Ramakrishna Vedantam, DeviParikh & Dhruv Batra, “ Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based Localization,” International Journal of computer vision, pp. 336–359, 2020, doi: https://doi.org/10.1007/s11263-019-01228-7
Satya Prakash Yadhav and Sachin Yadav, “Image fusion using hybrid methods in multimo-dality medical images,” Medical & Biological Engineering& Computing,Springer, 2020, doi :https://doi.org /10.1007/s11517-020-02136-6
