游戏聊天中的上下文感知型毒性检测:基于有限标签下的匹配元数据进行领域自适应预训练

《Games: Research and Practice》:Context-Aware Toxicity Detection in Game Chat: Domain-Adaptive Pretraining with Match Metadata under Limited Labels

【字体: 大 中 小 】 时间:2026年07月20日 来源:Games: Research and Practice

编辑推荐:

  摘要AI总结要查看此由AI生成的总结,您需要拥有高级访问权限。了解更多信息登录摘要摘要在竞技游戏中,恶意聊天一直是个棘手问题,因此需要持续进行内容管理。但这些努力面临诸多挑战:恶意行为具有情境依赖性,可能涉及多条消息,还受玩家和团队动态的影响。我们通过将文本与结构化的比赛元数据(

  

摘要

摘要

在竞技游戏中,恶意聊天一直是个棘手问题,因此需要持续进行内容管理。但这些努力面临诸多挑战:恶意行为具有情境依赖性,可能涉及多条消息,还受玩家和团队动态的影响。我们通过将文本与结构化的比赛元数据(如玩家和团队标识符,仅有约100场标记过的比赛)结合,对RoBERTa模型进行了改进,以用于游戏内容管理。我们提出了上下文领域自适应预训练(C-DAP),这是一种DAP变体,在预训练和微调过程中将玩家/团队标识作为自定义标记注入,从而学习与游戏相关的上下文嵌入。利用《Defense of the Ancients 2》(DOTA 2)和《Call of Duty?: Modern Warfare?III》(MWIII)的数据集,我们比较了不同上下文来源(元数据、以往互动记录、对话历史)的作用,确定了它们最有效的使用时机,并展示了如何加以利用。C-DAP在保持简单且可重复使用的特点的同时,始终优于其他强大基准模型。我们的研究结果表明,针对特定领域的上下文感知建模对于主动进行内容管理具有重要意义,同时也为训练出高效、适用于游戏的文本恶意内容检测器提供了实用方法,且无需大量标注工作。

AI总结

AI生成的总结(实验性内容)

该总结是使用自动化工具生成的,并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章相关性,以及让相关领域的读者理解该研究内容。它是对作者提供的摘要的补充,而作者提供的摘要仍是文章的主要总结。完整文章才是最具权威性的版本。点击此处了解更多。

点击此处,可以对该总结的准确性、清晰度及实用性发表意见。您的反馈将有助于进一步优化及生成后续版本。

要查看此由AI生成的通俗语言总结,您需要拥有高级访问权限。

相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号