선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 예를 들어 단어 사이에 숫자를 넣어서 우회하거나 오타가 있을 경우, 필터가 제 역할을 하지 못한다. 본 논문에서는 딥러닝을 이용해서 위의 상황에서도 비속어를 탐지하기 위한 알고리즘을 제안한다. 또한, 채팅 상황에서는 이름보다는 별명이나 지칭대명사를 많이 쓰는 점을 활용해 누군가 욕설을 했을 때 그 대상을 찾을 수 있는 방법론을 함께 제안한다.
- 본 논문에서는 문장에서 대상자를 검출하기 위하여 순차 삭제 알고리즘을 제안한다. Fig.
- 본 논문은 비속어를 필터링하기 위한 비속어 탐지 알고리즘과 대상자 탐지를 위한 순차적 삭제 알고리즘을 제안한다. 기존의 Masking 기반의 비속어 필터에서 판별이 힘들었던 비속어를 본 논문의 딥러닝 기반의 모델에서 필터링 할 수 있다.
- 3과 같이 Epoch와 Dropout 수치를 변경해주며 모델의 최적화를 시켰다. 본 논문의 가설을 객관적으로 검증하기 위해 인위적으로 만든 데이터가 아닌 실제 채팅방에서 쓰인 데이터를 기반으로 본 모델의 테스트를 시행했다. 총 300개의 문장으로 비속어가 있는 208개의 문장과 그렇지 않은 92개의 문장을 실험한 결과를 Table 1에 보인다.
- 본 연구는 나날이 높아지는 인터넷 이용률로 온라인으로 대화하는 사람들이 많아지면서 익명의 사용자에게 비방을 듣는 경우가 빈번해지는 문제를 해결하고자 시작했다. 본 논문은 비속어를 필터링하기 위한 비속어 탐지 알고리즘과 대상자 탐지를 위한 순차적 삭제 알고리즘을 제안한다.
- 욕설인데 욕설이 아니라고 한 경우 (True Negative)와 욕설이 아닌데 욕설이라고 한 경우 (False Positive)가 각각 9개, 23개가 나왔다. 본연구에서는 True Negative의 비율을 최대한 줄이기 위해 전처리 과정에서 명확한 욕은 욕설로 판단하도록 했다. False Negative의 비율은 높지 않았으며 욕설은 아니지만, 욕설의 형태를 띠는 단어들이 주로 분포했다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.