МОРФОЛОГИЧЕСКИ И СЕМАНТИЧЕСКИ УСОВЕРШЕНСТВОВАННАЯ МОДЕЛЬ КЛАССИФИКАЦИИ ДЕСТРУКТИВНОГО ВЕБ-КОНТЕНТА НА КАЗАХСКОМ ЯЗЫКЕ
DOI:
https://doi.org/10.52167/1609-1817-2026-144-3-151-166Ключевые слова:
деструктивные сообщения, буллинг, расизм, насильственный экстремизм, нацизм, морфология, агглютинативный, онтология, граф, KazBERT, MFA, GNN, CLS, BiLSTM, BiGRU;Аннотация
В данной статье используется гибридная архитектура глубокого обучения, объединяющая модели, основанные на трансформерной архитектуре, морфологическом анализе и онтологических графах. На основе этого исследуется проблема классификации деструктивного веб-контента на казахском языке. Актуальность работы обусловлена быстрым ростом ненависти, дискриминации и экстремистского контента в социальных сетях и на платформах, что угрожает информационной безопасности и социальной стабильности.
Предложенная модель объединяет контекстные представления KazBERT, модуль расширения морфологических признаков (MFA) и графовую нейронную сеть (GNN) с онтологией в единую гибридную архитектуру. В этой архитектуре одновременно учитываются семантическое значение текста, морфологические особенности казахского языка и онтологические связи.
Основной особенностью данной статьи является составление онтологического графа, систематизирующего семантические и иерархические отношения между различными типами деструктивного контента. В категории онтологического графа включены ненависть, угрозы, дискриминация, экстремистская риторика и другие взаимосвязанные понятия. Для преобразования структуры графа используется графовая нейронная сеть (GNN). На его основе становится возможным распространение информации и извлечение скрытых связей между категориями деструктивного контента. Комбинация KazBERT, MFA и онтологического графа создает расширенное гибридное представление текста, которое одновременно учитывает контекстуальные, морфологические и семантические особенности языка. Этот подход основан на современных исследованиях архитектур онтологически ориентированных преобразований и графовых нейронных сетей для обнаружения разжигания ненависти.
В ходе исследования были изучены различные архитектуры, такие как CLS, LSTM, BiLSTM и BiGRU, и архитектура BiLSTM показала наилучшие результаты. Интеграция морфологических признаков, онтологических графов и графовых нейронных сетей позволяет эффективно определять результаты, полученные при автоматической классификации деструктивного веб-контента на казахском языке.
Библиографические ссылки
Subramanian M. et al. A survey on hate speech detection and sentiment analysis using machine learning and deep learning models // Alexandria Engineering Journal. – 2023. – Vol. 80. – pp. 110–121. https://doi.org/10.1016/j.aej.2023.08.038
Mittal A. et al. Data augmentation based morphological classification of galaxies using deep convolutional neural network //Earth Science Informatics. – 2020. – Т. 13. – №. 3. – С. 601-617.
Wang K., Ding Y., Han S.C. (2024). Graph neural networks for text classification: A survey. Artificial Intelligence Review. Springer. https://link.springer.com/article/10.1007/s10462-024-10808-0
Juang C. F. et al. Deep learning-based glomerulus detection and classification with generative morphology augmentation in renal pathology images //Computerized Medical Imaging and Graphics. – 2024. – Т. 115. – С. 102375.
Gillespie T., Custodians of the Internet: Platforms, Content Moderation, and the Hidden Decisions That Shape Social Media. — New Haven, CT, USA: Yale University Press, 2018.
Singhal M., Ling K., Paudel P., Thota P., Kumaraswamy N., Stringhini G. and Nilizadeh S., “SoK: Content Moderation in Social Media, from Guidelines to Enforcement and Research to Practice” // 2023 IEEE European Symposium on Security and Privacy (EuroS&P). — 2023. — pp. 868–895.
Shaukat N., Saker J., and Shatnawi H., “Evaluation of Different Machine Learning and Deep Learning Approaches for Hate Speech Detection” // Proceedings of the ACM Southeast Conference. — Marietta, Georgia, USA. — 2024. — pp. 253–258.
Schmidt A. and Wiegand M., “A Survey on Hate Speech Detection using Natural Language Processing” // Proceedings of the Fifth International Workshop on Natural Language Processing for Social Media. — 2017. — pp. 1–10.
Jahan M. S. and Oussalah M., “A Systematic Review of Automated Hate Speech Detection using Natural Language Processing” // Neurocomputing. — 2023. — Vol. 546. — p. 126232.
Devlin J., M.-W. Chang, K. Lee, and K. Toutanova, “KAZBERT: Pre-training of Deep Bidirectional Transformers for Language Understanding” // Proceedings of NAACL-HLT. — 2019. — pp. 4171–4186.
Munir A., Alwadain A., Ragab M. G., and Alkushaybi A., “Cyberbullying Detection in Social Media using Stacking Ensemble Learning and Enhanced KAZBERT” // Information. — 2023. — Vol. 14, No. 8. — p. 467.
Mishra P., Del Tredici M., Yannakoudakis H., and Shutova E., “Abusive Language Detection with Graph Convolutional Networks” // Proceedings of NAACL. — 2019. — pp. 2145–2150.
Subramanian M., Sathishkumar V. E., Deepalakshmi G., Cho J., Manikandan G. A Survey on Hate Speech Detection and Sentiment Analysis Using Machine Learning and Deep Learning Models // Alexandria Engineering Journal. — 2023. — Vol. 80. — P. 110–121. — DOI: 10.1016/j.aej.2023.08.052.
Shaikh S. Automatic hate speech detection using machine learning: A comparative study //International Journal of Advanced Computer Science and Applications. – 2020.
Itriq M., Mohd Noor M. H. Arabic Hate Speech Detection Using Deep Learning: A State-of-the-Art Survey of Advances, Challenges, and Future Directions (2020–2024) // PeerJ Computer Science. — 2025. — Vol. 11. — e3133. — DOI: 10.7717/peerj-cs.3133.
Mazari A. C., Boudoukhani N., Djeffal A. Machine Learning and Deep Learning Based Multi-Model System for Hate Speech Detection on Facebook // Algorithms. — 2025. — Vol. 18, No. 6. — P. 331. — DOI: 10.3390/a18060331.
Badri N., Kboubi F., Chaibi A. H. Combining FastText and GloVe Word Embedding for Offensive and Hate Speech Text Detection // Procedia Computer Science. — 2022. — Vol. 207. — P. 769–778. — DOI: 10.1016/j.procs.2022.09.132.
Khan S., Fazil M., Sejwal V. K., Alshara M. A., Alotaibi R. M., Kamal A., Baig A. R. BiCHAT: BiLSTM with Deep CNN and Hierarchical Attention for Hate Speech Detection // Journal of King Saud University – Computer and Information Sciences. — 2022. — Vol. 34, No. 7. — P. 4335–4344. — DOI: 10.1016/j.jksuci.2022.05.006.
Aljawazeri J. A., Jasim M. N. Addressing Challenges in Hate Speech Detection Using KAZBERT-Based Models: A Review // Iraqi Journal for Computer Science and Mathematics. — 2024. — Vol. 5, No. 2. — P. 1–20. — DOI: 10.52866/ijcsm.2024.05.02.004.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2026 Мөлдір Сағынай , Милана Болатбек
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
