Online Abusive Attacks (OAA)

Online Abusive Attacks (OAA)数据集用于研究在对话中检测辱骂性语言。该数据集包含了对话交换（父-回复推文对），其中回复被标记为辱骂性或非辱骂性。该数据集的创建过程涉及从社交媒体平台收集对话交换，并使用文本分析和机器学习技术对回复进行标记。数据集的应用领域是社交网络内容审核和在线辱骂性语言的检测，旨在帮助社交媒体平台识别和减少有害内容，保护用户免受在线辱骂。The Online Abusive Attacks (OAA) Dataset is designed for research on abusive language detection in conversational contexts. It comprises conversational exchanges, specifically parent-reply tweet pairs, where each individual reply is annotated as either abusive or non-abusive. The construction of this dataset entails collecting conversational exchanges from social media platforms, and annotating the reply texts through text analysis and machine learning technologies. Its application domains include social network content moderation and online abusive language detection, with the objective of assisting social media platforms in identifying and mitigating harmful content, as well as safeguarding users from online abusive attacks.

搜集汇总

数据集介绍

构建方式

网络社交媒体中的恶意言论检测一直是自然语言处理领域的重要课题，而现有研究多聚焦于单条帖文的孤立分析，忽视了对话语境中目标受害者特征的关键作用。Online Abusive Attacks (OAA) 数据集正是为填补这一空白而构建，其采集了2,371个目标账户及其引发的106,914条对话链，共计153,144条初始回复。每条回复均通过Google Jigsaw的Perspective API进行标注，并经人工验证确保标签可靠性，最终形成包含24,907条恶意回复和128,237条非恶意回复的标注语料。该数据集不仅保留了完整的对话结构（父帖-回复对），还系统收录了文本内容、元数据及账户特征等多维信息，为探究目标感知在对话式恶意言论检测中的价值提供了坚实基础。

特点

OAA 数据集的核心特色在于其独特的目标导向性与对话语境完整性。与仅包含孤立帖文的传统数据集不同，OAA 以父帖创作者为目标对象，将每条回复与其所回应的父帖配对，形成可追溯的对话上下文。数据集涵盖四大类特征：文本特征（回复与父帖的完整文本）、文本元特征（词频、句长、情感极性等统计量）、帖文特征（标签、提及、URL、转发数等平台属性）以及账户特征（粉丝数、发帖数、验证状态等用户画像）。这种多层次、结构化的特征体系使研究者能够系统比较基于内容与基于账户的不同特征组合对检测性能的影响，揭示了对话语境中内容特征（尤其是元文本特征）而非账户特征对恶意言论识别具有决定性贡献。

使用方法

研究者可直接利用OAA数据集进行对话式恶意言论的二分类实验。数据集提供了父帖-回复对结构，使用时需将每条回复及其对应的父帖组合为样本，特征提取可采用词袋模型（限定5000维）结合情感词典扩充，或直接使用BERT等预训练模型的嵌入表示。建议采用K折交叉验证（5折）并结合SMOTE过采样处理类别不平衡。通过对比仅使用回复文本（基线）与融合父帖文本、元特征、账户特征的多组实验设计，可系统评估不同特征组合的贡献度。在模型选择上，除逻辑回归、支持向量机、随机森林等传统方法外，推荐进一步微调BERT模型以充分捕获双向上下文语义，将BERT输出与元特征拼接后送入全连接层进行最终预测。

背景与挑战

背景概述

社交媒体平台的匿名性与开放性在促进全球交流的同时，也催生了大量辱骂与仇恨言论的泛滥，对内容审核与用户保护提出了严峻挑战。在此背景下，Online Abusive Attacks (OAA) 数据集由伦敦玛丽女王大学、塔伊夫大学及赫瑞瓦特大学的研究团队（包括Raneem Alharthi、Rajwa Alharthi、Aiqi Jiang与Arkaitz Zubiaga）于2023年构建。该数据集聚焦于对话语境下的恶意攻击检测，核心研究问题在于探究“目标感知”的上下文特征——即回复消息的父推文信息——能否显著提升对回复是否含辱骂性质的判断准确率。OAA包含2,371个目标账户、106,914段对话及153,144条回复，其标注通过Perspective API并辅以人工验证完成。该数据集开创性地将研究视角从孤立帖文转向对话互动，为揭示语境在辱骂检测中的关键作用提供了坚实的数据基础，对自然语言处理与社交计算领域产生了重要影响。

当前挑战

当前在线辱骂检测领域面临的首要挑战在于，传统方法多将社交媒体帖子视作孤立文本，忽视了对话语境中信息的多维交织。OAA所解决的领域问题正是对话中辱骂回复的精准辨识，其复杂性在于：辱骂行为往往由目标受害者的帖子触发，而回复的恶意性需结合父推文的内容、元数据及用户特征才能准确判断。在数据构建过程中，研究者遭遇诸多技术挑战：如何从海量社交数据中提取完整的父-回复配对结构，如何确保标签的客观性（利用自动化API并严格校验人工一致性），以及如何平衡样本中非辱骂回复（128,237条）与辱骂回复（24,907条）的严重类别不平衡。此外，特征工程面临维度爆炸难题——仅文本元特征就包含词数、句长、情感得分等数十种维度，且需验证账户特征与内容特征的相对贡献，为模型优化带来巨大计算负担。

常用场景

经典使用场景

在社交网络对话情境下，Online Abusive Attacks (OAA) 数据集被广泛用于构建上下文感知的辱骂性语言检测模型。其经典用法是将每条回复与其父推文配对，形成父子推文对，从而充分利用对话上下文信息。研究人员通过提取父推文文本内容、文本元特征（如词数、情感分数）、推文级特征（如转发数、提及数）以及账户特征（如粉丝数、认证状态），并结合回复本身的特征，训练分类器判断该回复是否具有辱骂性。该数据集特别适用于评估不同上下文特征组合对检测性能的影响，支持在真实社交媒体对话流中实现更精准的辱骂内容识别。

解决学术问题

OAA数据集主要解决了对话式辱骂检测中上下文信息缺失的学术难题。传统研究多聚焦于孤立帖子的二分类，忽略了对话中父推文对回复的引导作用。该数据集通过系统化收集对话对，使研究者能够量化上下文特征对分类性能的提升幅度，并揭示哪类特征（内容型 vs. 账户型）更为关键。实验表明，融合文本、元文本和推文级特征可显著提升F1分数，而单纯依赖账户特征效果不佳。这一发现为设计更鲁棒的对话级辱骂检测框架提供了理论依据，推动了该领域从静态单帖分析向动态对话理解的转变。

衍生相关工作

OAA数据集催生了多项开创性研究工作。例如，研究者利用该数据集探索了将BERT等预训练语言模型与元特征层结合的方法，显著提升了分类性能；同时，基于该数据集的特征重要性分析揭示了回复字符数、平均句长等元文本特征在预测辱骂性回复中的关键作用。此外，该数据集被用于训练DRAGNET等模型来预测回复链中的仇恨强度演变轨迹，以及推动MetaBERT等融合元数据的检测框架开发。这些衍生工作不仅深化了对对话上下文中辱骂行为的理解，也为跨平台、多语种的泛化检测研究奠定了方法论基础。