ترجمه فارسی مقاله تشخیص و طبقه‌بندی سخنان نفرت‌پراکن در متن امهری با یادگیری عمیق

چکیده

Hate speech is a growing problem on social media. It can seriously impact society, especially in countries like Ethiopia, where it can trigger conflicts among diverse ethnic and religious groups. While hate speech detection in resource rich languages are progressing, for low resource languages such as Amharic are lacking. To address this gap, we develop Amharic hate speech data and SBi-LSTM deep learning model that can detect and classify text into four categories of hate speech: racial, religious, gender, and non-hate speech. We have annotated 5k Amharic social media post and comment data into four categories. The data is annotated using a custom annotation tool by a total of 100 native Amharic speakers. The model achieves a 94.8 F1-score performance. Future improvements will include expanding the dataset and develop state-of-the art models. Keywords: Amharic hate speech detection, classification, Amharic dataset, Deep Learning, SBi-LSTM

چکیده به فارسی (ترجمه ماشینی)

گفتار نفرت یک مشکل رو به رشد در رسانه های اجتماعی است.این امر می تواند به طور جدی جامعه را تحت تأثیر قرار دهد ، به ویژه در کشورهایی مانند اتیوپی ، جایی که می تواند باعث درگیری بین گروه های قومی و مذهبی متنوع شود.در حالی که تشخیص گفتار نفرت در زبانهای غنی از منابع در حال پیشرفت است ، زیرا زبان های کم منابع مانند Amharic فاقد آن هستند.برای پرداختن به این شکاف ، ما داده های گفتار نفرت آماری و الگوی یادگیری عمیق SBI-LSTM را توسعه می دهیم که می تواند متن را به چهار دسته گفتار نفرت تشخیص داده و طبقه بندی کند: گفتار نژادی ، مذهبی ، جنسیتی و غیر نفرت.ما حاشیه رسانه های اجتماعی 5K Amharic را حاشیه نویسی کرده ایم و داده ها را در چهار دسته بیان می کنیم.داده ها با استفاده از یک ابزار حاشیه نویسی سفارشی توسط 100 بلندگو آماری بومی حاشیه نویسی می شوند.این مدل به عملکرد 94.8 F1 می رسد.پیشرفت های آینده شامل گسترش مجموعه داده ها و توسعه مدلهای پیشرفته هنری خواهد بود.واژه‌های کلیدی: تشخیص گفتار نفرت آماری ، طبقه بندی ، مجموعه داده های Amharic ، یادگیری عمیق ، SBI-LSTM