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

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

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

本文介绍了一种基于循环神经网络的神经网络架构，用于检测新闻标题中的 'clickbait'，该模型依靠从大型未注释的语料库中学习的分布式词表示和通过卷积神经网络学习的字符嵌入。在新闻标题数据集上的实验结果表明，这种方法表现优于现有的 'clickbait' 检测技术，具有 0.98 的准确率，0.98 的 F1 得分和 0.99 的 ROC-AUC 度量。

Dec, 2016

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

本研究旨在通过使用人文和社会科学中的各种理论以及无监督和监督机器学习算法，以及人类好奇心作为二元分类器的基础，试图量化人类在数字世界中的好奇心，并通过人工注释的新闻标题（clickbaits）来解释如何测量刺激产生读者好奇心的强度，以推动数字媒体中好奇心和愤怒的情感定量研究。

Jun, 2018

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

本研究旨在研究大语言模型是否适用于高质量的点击诱饵检测系统，并通过在多个英文和中文基准数据集上进行的实验结果表明，LLMs 不能实现与最先进的深度微调方式相比的最佳结果，对于检测点击诱饵文本，仅仅使用标题是不够的。

Jun, 2023

本文调查在线新闻机构在新闻标题设计上使用的可能策略，并在 2014 年连续八个月期间分析了四个主要全球媒体公司产生的 69,907 个标题的内容，我们从标题文本中提取出与情感极性相关的特征，并发现标题的情感极性与新闻的受欢迎程度以及在特定新闻上发布的评论的动态密切相关。

Mar, 2015

该研究提出两个二分类器和两种方法，用于分类和揭露标题党，并为第二个任务创建了模型，其中利用问题回答模型来确定标题党的起始和结束位置。

Jun, 2023