Récemment, les auteurs de commentaires offensants emploient de plus en plus des stratégies telles que les métaphores, les abréviations et les homophones pour obscurcir la nature agressive de leurs commentaires. Ces stratégies posent un défi important pour les modèles de détection existants. Actuellement, de nombreuses études se sont principalement concentrées sur la détection de discours offensants explicites, et peu d'études ont traité le discours offensant implicite. Notre recherche vise à analyser le discours offensant implicite sur les plateformes sociales chinoises et à obtenir une performance de détection élevée. Tout d'abord, nous avons collecté des données de l'une des plus grandes plateformes de réseaux sociaux chinois, Weibo, et construit le premier ensemble de données sur le discours offensant implicite chinois, qui contient 54 714 commentaires. Par la suite, nous introduisons Enhanced-BERT-Mate-Ambiguity (EBMA), un nouveau cadre d'interprétation sémantique floue qui tire parti de BERT et des graphes de connaissances. Spécifiquement, ce modèle détecte le discours offensant implicite en extrayant des caractéristiques sémantiques, émotionnelles, métaphoriques et d'ambiguïté. Enfin, des expériences approfondies ont été menées, y compris des tests de comparaison, des tests de robustesse et des études d'ablation, pour valider notre approche. Nous avons testé notre modèle par rapport aux modèles state-of-the-art dans le domaine, et une précision de 95,83 % et un score F1 de 95,52 % ont confirmé sa meilleure performance. La performance de notre modèle est illustrée visuellement à travers une visualisation. De plus, nous fournissons une analyse des cas d'erreur pour explorer les limites de notre modèle.
Liu et al. (Fri,) ont étudié cette question.