社交媒体上的网络欺凌通常影响恶劣,有效检测网络欺凌有重要的社会和学术意义。由于网络文本为用户生成内容,包含拼写错误、语法错误等噪声,学习欺凌特征的难度很大,检测网络欺凌一直是未能得到很好解决的难题。本文以提高网络欺凌检测准确度为目标,使用神经网络模型,学习字符组合特征和语义特征,并引入捷径策略(Shortcuts)融合上述特征,有效降低了用户生成内容中噪声的干扰,提高了模型学习欺凌特征的能力。本文主要工作和创新点如下:(1)为了对欺凌检测任务提供中文数据支持,本文构建了开源的微博数据集,使检测模型可从现实场景中学习中文欺凌特征。数据集中数据采集于微博用户对公众人物的公开评论,并对数据标签进行人工标注,以使得数据集适用于有监督的文本分类任务。(2)为了学习欺凌特征,本文提出了Char-CNNS模型。针对用户生成内容中的噪声问题,模型学习字符组合特征和语义特征,并引入捷径策略融合不同神经网络层次的特征,以降低噪声干扰。在微博、推特数据集上进行了欺凌检测实验,实验结果表明,Char-CNNS模型在精确度(P)、召回率(R)、调和平均值(F)三项指标上优于TF-IDF+SVM、N-gram+LR、CNN等模型。(3)为了降低数据类别不平衡对欺凌检测的干扰,本文结合代价敏感方法,通过引入焦点损失函数(Focal Loss)提高了模型的鲁棒性。实验结果表明,在五种不同类别比例(正负例比例分别为1:1、1:2、1:5、1:10和1:20)的数据集下,使用焦点损失函数有更稳定的表现。与交叉熵损失函数相比,调和平均值分别提高了2.7%、2.9%、4.5%、3.4%、8.3%。