本研究提出了一种使用深度学习方法来检测 2017 年 Clickbait Challenge 数据集中的 clickbaits 的模型，同时利用数据分析和可视化技术探索和发现数据集中的信息。该模型在均方误差方面在 Clickbait Challenge 2017 中获得了第一名。

Jun, 2018

提出了一种基于神经网络，包括双向 LSTM、注意力机制、孪生网络及卷积神经网络的新型点击诱饵检测方法来预测社交媒体帖子的点击诱饵得分，在 19538 个社交媒体帖子的测试语料库上达到 65.37% 的 F1 得分，优于之前的工程学特征或其他方法。

Oct, 2017

提出使用基于 Gumbel-Softmax 分布的注意力机制的半监督分类方法及一种置信度网络对 clickbaits 进行检测，并证明采用弱标签学习法可以优化该方法。

Nov, 2018

本文旨在自动识别点击诱饵，并建立一个浏览器扩展程序，警告读者不被点击诱饵欺骗，同时提供屏蔽点击诱饵选项。运行离线和在线实验，发现所提出的点击诱饵检测和个性化屏蔽方法表现良好，可以达到 93% 的识别率和 89% 的屏蔽率。

Oct, 2016

本文介绍了用于 Clickbait Challenge 2017 的 Zingel Clickbait Detector，针对推文的 Clickbait 检测问题，将回归问题重构为基于注释方案的多分类问题，并应用自我注意力机制和双向门控循环单元的隐藏状态，生成推文的任务特定向量表示，通过无需手动进行特征工程的端到端方式进行训练，该检测器在 2017 年的 Clickbait Challenge 竞赛中排名第一。

Oct, 2017

本研究使用自行开发的 clickbait 检测模型，分析了来自 153 个媒体机构的 1.67 百万条 Facebook 帖子，研究 clickbait 实践的程度、其影响以及用户参与度，并进一步研究 clickbait 和非 clickbait 内容中主题的分布情况。

Mar, 2017

利用机器学习技术自动检测社交媒体中的标题党已成为共同面临的问题，2017 Clickbait 挑战赛的参与者致力于研究针对此类问题的检测器，并取得了一定的进展。

Dec, 2018

为了增加收入，新闻网站经常使用虚假新闻标题，诱使用户点击标题并阅读完整的新闻。点击诱骗检测是一项旨在自动检测这种虚假广告，并避免浪费在线用户宝贵时间的任务。我们介绍了一个新颖的罗马尼亚点击诱骗语料库（RoCliCo），包括 8,313 个新闻样本，手动注释了点击诱骗和非点击诱骗标签。此外，我们用 4 种机器学习方法进行实验，从手工模型到循环和基于转换器的神经网络，以建立一组有竞争力的基准。我们还进行了加权投票集成实验。在考虑的基准中，我们提出了一种新颖的基于 BERT 的对比学习模型，该模型学习将新闻标题和内容编码成一个深度度量空间，使得非点击诱骗新闻的标题和内容具有高余弦相似度，而点击诱骗新闻的标题和内容具有低余弦相似度。我们的数据集和代码可在此 URL 公开下载。

Oct, 2023

通过文本摘要总结内容，并根据生成的摘要与内容之间的相似性进行 clickbait 检测，本文提出了一种基于提示调整的 clickbait 检测方法，该方法通过预训练语言模型产生高质量的新闻摘要，并将头条和新生成的摘要作为提示调整的输入，采用各种策略结合外部知识以提高 clickbait 检测性能。在知名 clickbait 检测数据集上的广泛实验表明，我们的方法达到了最先进的性能。

Apr, 2024

使用编码器 - 解码器递归神经网络结构（包括 LSTM 序列模型与关注机制），对新闻文章中的文本进行标题的生成并拥有较好的简明概括能力；同时研究了神经网络决定关注哪些输入单词的方法，发现相比于复杂的机制而言，简化版的关注机制在一定数据集上表现更出色。

Dec, 2015