2017 年吸引点击挑战赛:探索一种点击强度回归模型
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
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
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
通过构建达到 15,056 个标记的新闻文章和 65,406 个未标记的新闻文章的第一个孟加拉 clickbait 检测数据集,应用 SS GANs 对 Semi Supervised Generative Adversarial Networks 进行微调,我们提出的新模型作为该数据集的一个良好基准,优于传统神经网络模型(LSTM、GRU、CNN)和基于语言特征的模型,这一研究将为未来检测孟加拉文 clickbait 标题提供一个基础。
Nov, 2023
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