Redes Neuronales Convolucionales para la Clasificación de Comentarios Tóxicos

Se produce un flujo de información diariamente a través del uso global de internet, surgido de las comunicaciones interactivas en línea entre los usuarios. Aunque esta situación contribuye significativamente a la calidad de vida humana, desafortunadamente implica enormes peligros, ya que los textos en línea con alta toxicidad pueden causar ataques personales, acoso en línea y comportamientos de bullying. Esto ha desencadenado tanto a la industria como a la comunidad de investigación en los últimos años, mientras hay varios intentos de identificar un modelo eficiente para la predicción de comentarios tóxicos en línea. Sin embargo, estos pasos aún están en su infancia y se requieren nuevos enfoques y marcos. Paralelamente, la explosión de datos que aparece constantemente hace que la construcción de nuevas herramientas computacionales de aprendizaje automático para gestionar esta información sea una necesidad imperativa. Afortunadamente, los avances en hardware, computación en la nube y gestión de big data permiten el desarrollo de enfoques de Aprendizaje Profundo que muestran un rendimiento muy prometedor hasta ahora. Para la clasificación de texto en particular, se ha propuesto recientemente el uso de Redes Neuronales Convolucionales (CNN) que abordan la analítica de texto de una manera moderna, enfatizando en la estructura de las palabras en un documento. En este trabajo, empleamos este enfoque para descubrir comentarios tóxicos en un gran conjunto de documentos proporcionados por una competencia actual de Kaggle sobre las ediciones de las páginas de discusión de Wikipedia. Para justificar esta decisión, elegimos comparar las CNN con el enfoque tradicional de bolsa de palabras para el análisis de texto, combinado con una selección de algoritmos que han demostrado ser muy efectivos en la clasificación de texto. Los resultados reportados proporcionan suficiente evidencia de que las CNN mejoran la clasificación de comentarios tóxicos, reforzando el interés de la investigación en esta dirección.