Resumen

El uso de las redes sociales ha aumentado y tiene efectos tanto positivos como negativos. Teniendo en cuenta el uso indebido de las plataformas de medios sociales mediante diversos métodos de ciberacoso, como el acecho y el hostigamiento, debería haber métodos preventivos para controlarlos y evitar el estrés mental. Estas palabras adicionales ampliarán el tamaño del vocabulario e influirán en el rendimiento del algoritmo. Por lo tanto, proponemos modelos de aprendizaje profundo variantes como LSTM, BI-LSTM, RNN, BI-RNN, GRU, BI-GRU para detectar el ciberacoso en las redes sociales. Estos modelos se aplican en Twitter, datos de comentarios públicos y se observó el rendimiento de estos modelos y se obtuvo una precisión mejorada del 90,4%.

1. INTRODUCCIÓN

A medida que el crecimiento de la digitalización ha aumentado rápidamente y se ha convertido en parte de la vida de todos, por ejemplo, el uso de diversas plataformas de medios sociales como compartir texto, audio, vídeos a través de Twitter, Facebook, Instagram, y muchos otros usando Internet, al mismo tiempo, el mal uso también ha crecido rápidamente, lo que crea impactos negativos en la sociedad; el mal uso a menudo viene en forma de lambisconería, que debe ser obstaculizada. Este proceso de acosar a la gente mediante comentarios ofensivos o compartiendo información personal de otros por medios electrónicos se conoce como ciberacoso, también conocido como acoso en línea [1]. Se ha convertido en algo habitual, especialmente entre los adolescentes. Este acoso incluye racismo (por ejemplo, tono de piel, rasgos), apariencia física (por ejemplo, gordo, delgado, feo), sexismo (por ejemplo, femenino, masculino) y enmascaramiento (crear cuentas falsas para acosar a otros). Por lo tanto, el ciberacoso es difícil de detectar y rastrear, lo que tendrá intensos efectos [2]. Por lo tanto, la detección del ciberacoso en su fase primaria es un paso fundamental para eludir cualquier incidente letal causado por él. Sin embargo, para minimizar o reducir estos efectos, los investigadores han desarrollado varios modelos de aprendizaje automático y aprendizaje profundo para tratar el problema de la detección del ciberacoso [3].

Las redes sociales permiten a los usuarios comunicar y mostrar sus opiniones y sentimientos de forma abierta y anónima. Esto puede ocurrir mediante una serie de ejercicios tecnológicos como, por ejemplo, publicar fotos, tuitear, juegos sociales, compartir vídeos sociales, redes empresariales, comentarios y valoraciones, entre muchos otros [4]. El contenido de estas redes sociales es una rica plataforma para analizar estos sentimientos y su uso o abuso.

• Materias:Seguridad informática Redes sociales Aprendizaje automático
• Subjects:Computer security Social Networks Machine learning
• Palabras claves:Redes sociales; Aprendizaje profundo; Detección de ciberacoso; LSTM; GRU; RNN; LSTM bidireccional; GRU bidireccional; RNN bidireccional; Tokenización
• Keywords:Social media; Deep learning; Cyberbullying detection; LSTM; GRU; RNN; BidirectionalLSTM; BidirectionalGRU; BidirectionalRNN; Tokenization