本文介绍了一种名为 POpularity-Reinforced Learning for inspired Headline Generation (PORL-HG) 的新框架，该框架使用强化学习和 Popular Topic Attention (PTA) 等技术生成吸引人的新闻标题，并在人类和预测分数方面明显优于现有 headline generation models。

Feb, 2020

使用最新的 Universal Transformer architecture 和 byte-pair encoding 技巧，对新闻标题生成任务进行了优化，取得了新的最佳 ROUGE-L F1 分数 24.84 和 ROUGE-2 F1 分数 13.48，并提出了新的 RIA 语料库并在其上达到 ROUGE-L F1 分数 36.81 和 ROUGE-2 F1 分数 22.15。

Jan, 2019

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

试图在不使用人工标注的情况下通过在不同级别上同时使用多个类型的未标注语料库和自投票方法对新闻报道进行标题生成的研究。

Jan, 2020

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

本研究提出了一种新的任务 —— 文体标语生成（SHG），通过将摘要和重构任务组合成一个多任务框架以及新颖的参数共享方案，为文摘添加了三个样式选项（幽默、浪漫和点击量讹诈），从而吸引更多读者。通过自动和人工评估，我们证明了 TitleStylist 可以生成具有幽默、浪漫和点击量诱导效果的标题。我们的模型生成的标题吸引力评分超过了现有技术的摘要模型 9.68％，甚至超过了人工编写的参考标题。

Apr, 2020

通过 Adversarial REward Learning 框架从人类示范中学习隐式奖励函数，并通过学习后的奖励函数优化策略搜索，提高在生成抽象故事方面的表现，尤其在人类评估中相比最先进系统，取得了显著进步。

Apr, 2018

本文旨在提高生成式摘要的真实性，在两个流行数据集上进行了标题生成的研究，发现总结存在虚假性，且虚假性的监督数据会导致模型行为不真实，通过二分类器过滤掉虚假数据并重新训练模型可以在不影响 ROUGE 分数的情况下提高摘要标题的真实性。

May, 2020

本文介绍一个基于文本蕴涵模型和强化学习的方法，用于优化提取式摘要的准确性和一致性，并在自动度量和人类评估上显示出较好的性能。

May, 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