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

该研究基于卷积神经网络开发了一个标题分类器，主要通过调查标题的词语分割、词性标注和情感特征等关键因素，以确定新闻文章的可信度，并将这些特征集成到分类模型中。经过实验证明，该模型的准确度可达到 93.99%。

Apr, 2022

我们提出了新的预训练方法，以提高对于小型数据集的神经标题生成模型的质量，这些方法使所有模型参数均能够被预训练并利用所有可用的文本，相比较而言模型困惑度与 ROUGE 评估指标表现提升了 32.4％和 2.84 分。

Jul, 2017

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

本文介绍了一种使用最小化风险训练策略的神经模型，可以在句子级别上优化模型参数，从而显著提高英文和中文新闻标题生成系统的性能。

Apr, 2016

本文提出了一个自动化图像选择系统，用于协助编辑在新闻文章中选择合适的图片。该系统融合了从新闻文章中提取的多个文本来源，并接受多语言输入。它配备有字符级词嵌入，以帮助对形态丰富的语言建模，并在靠近的语言之间转移知识。文本编码器采用分层自注意机制，更多地关注文本中的关键字和新闻文章的信息组成部分。我们在瑞士本地新闻媒体网站收集的多模态多语言新闻文章的大规模文本 - 图像数据库上进行了广泛的实验。在弱监督学习设置中，将该系统与多个基线方法进行比较，并显示超过了现有的文本 - 图像检索方法。除此之外，我们还提供了使用多个文本来源和多语言数据的优势见解。

Apr, 2020

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

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

使用 Kaggle 平台提供的包含 18 年新闻的数据集，通过 TF-IDF 特征提取和神经网络分类器，对新闻标题进行分类，实验结果表明，该神经网络在准确性评估指标上表现最佳，其准确率高达 0.8622，明显优于其它三个模型。

Jan, 2022

该研究提出了一种端到端模型，用于为嵌入新闻文章的图像生成标题。该模型采用多模态，多头注意力机制，结合字节对编码的转换器语言模型来应对命名实体识别、多义词汇等问题，并在 CIDEr 评分上实现了当前最高水平的四倍提升。

Apr, 2020