Klasifikace urážlivého textového obsahu bez závislosti na jazyku

Abstract

Online system providers have to deal with an offensive text published by anonymous users in providers’ systems. Offensive text can be published in the form of posts in discussion forums, user reviews of products or services, or on users’ websites. In this article we describe the design of classifier which automatically recognizes offensive text in Czech and English language. Because the classifier does not utilize lemmatization nor morphological analysis, it does not depend on language.Poskytovatelé online systémů se musí vypořádat s urážlivým textovým obsahem, který mohou uživatelé prostřednictvím systému zveřejňovat. Může se jednat o příspěvky v diskuzních fórech, uživatelských slovních hodnoceních služeb nebo produktů, případně na uživatelských www stránkách. V článku navrhujeme klasifikátor, který automaticky rozpozná urážlivý text v českém jazyce a v anglickém jazyce. Klasifikátor není závislý na jazyku, nepoužívá lemmatizaci ani morfologickou analýzu.