该文档属于类型a，即报告了一项原创性研究的学术论文。以下是基于文档内容的学术报告：
一、研究作者及发表信息
本研究由武汉大学信息管理学院的Tingting Li、Ziming Zeng*、Qingqing Li和Shouqiang Sun共同完成，发表在期刊《Information Processing and Management》2024年第61卷，文章编号103651，于2024年1月9日在线发布。
二、学术背景
随着在线社交网络（Online Social Networks, OSNs）的快速发展，网络欺凌（cyberbullying）问题日益严重，尤其是带有讽刺意味的网络欺凌（irony-aware cyberbullying）因其隐含性和复杂性，成为检测的难点。现有研究主要集中在直接型网络欺凌的检测，而对讽刺型网络欺凌的研究较少。讽刺型网络欺凌通常涉及特定场景，并伴随正面词汇的贬义使用，仅依靠文本内容难以准确识别。此外，越来越多的用户通过结合文本和图像进行网络欺凌，这使得传统的单模态检测方法面临挑战。
本研究旨在提出一种多模态特征构建方法，结合图同构网络（Graph Isomorphism Network, GIN）特征变换和多特征组合投票策略（Multi-Feature Combination Voting, MFCV），以提升讽刺型网络欺凌的检测效果。研究的主要目标包括：1）设计有效的多模态数据融合框架；2）挖掘文本和图像特征的潜在表示；3）减少单模态与多模态之间的数据结构信息偏差。
三、研究流程
1. 多模态特征构建与GIN特征变换（GINBV）
- 多模态图表示构建：使用BERT（Bidirectional Encoder Representations from Transformers）提取文本特征，使用ViT（Vision Transformer）提取图像特征，并通过皮尔逊相关系数计算实例间的相关性，构建多模态图表示。
- 节点嵌入：利用GIN模型进行消息传递和聚合操作，学习多模态数据的潜在表示。通过多层感知机（MLP）和ReLU激活函数对嵌入节点进行归一化和激活。
- 多模态特征构建：将GIN变换后的多模态特征与BERT和ViT提取的文本图像特征进行二次融合，生成最终的多模态特征集。
多特征组合投票策略（MFCV）
实验设计与数据分析
四、主要结果
1. GINBV的有效性：与BERT_ViT相比，GINBV在F1分数、召回率、精确率、准确率和AUC上均有显著提升，表明GIN特征变换能够有效挖掘多模态数据的潜在表示，丰富数据结构信息。
2. MFCV的优越性：GINBV_MFCV在各项指标上均优于GINBV，表明多特征组合投票策略能够减少数据结构信息偏差，进一步提升检测效果。
3. 最佳算法表现：在九种候选算法中，基于XGBoost的GINBV_MFCV表现最佳，F1分数为83.29%，AUC为91.21%，分别比基线算法提升了8.65%和15.73%。
五、结论与意义
本研究提出了一种集成GIN特征变换和多特征组合投票策略的框架（GINBV_MFCV），用于直接检测讽刺型网络欺凌。GINBV通过消息传递和聚合操作，挖掘文本-图像特征的潜在表示，丰富多模态数据结构信息；MFCV通过软投票策略，减少单模态与多模态之间的信息偏差，提升检测效果。实验结果表明，基于XGBoost的GINBV_MFCV在讽刺型网络欺凌检测中表现出色，为网络欺凌检测研究提供了新的思路和方法。
该研究不仅填补了讽刺型网络欺凌检测的研究空白，还为在线社交网络中的公共舆论监督提供了有效工具，有助于及时发现和预防网络欺凌的传播，净化网络环境。
六、研究亮点
1. 创新性框架：首次提出结合GIN特征变换和多特征组合投票策略的集成框架，直接针对讽刺型网络欺凌进行检测。
2. 多模态特征挖掘：通过GIN模型挖掘文本-图像特征的潜在表示，丰富了多模态数据的结构信息。
3. 软投票策略：MFCV通过软投票策略，有效减少了不同特征信息之间的偏差，提升了检测效果。
4. 优异性能：基于XGBoost的GINBV_MFCV在讽刺型网络欺凌检测中表现出色，F1分数和AUC均显著提升。
七、其他有价值内容
本研究还探讨了GINBV_MFCV在其他检测任务（如假新闻检测、社交机器人检测）中的潜在应用，并指出未来研究可以扩展到更多社交平台和语言数据集，以验证框架的鲁棒性和通用性。