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

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

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

本文提出了一种基于双向 LSTM 神经网络的新方法来预测在线内容的受欢迎程度，通过新闻标题文本信息可以提高传统浅层方法的预测精度，并且在预处理的词向量上使用 LSTM 模型可以提高预测结果。

Jul, 2017

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

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