本研究引入了 “点击诱饵破坏” 这一新技术，旨在检测、分类和生成剧透作为简洁的文本响应，以应对点击诱饵内容引发的好奇心。通过利用多任务学习框架，我们的模型的泛化能力得到了显著提升，有效解决了点击诱饵的普遍问题。我们研究的关键是生成适当的剧透，无论是短语、扩展段落还是多个剧透，具体取决于所需的剧透类型。我们的方法结合了两个关键技术：一个经过精细调整的剧透分类方法和一个修改过的问题回答机制，这两者都被纳入到多任务学习范式中，以优化从上下文中提取剧透。值得注意的是，我们还包含了对能处理更长序列的模型进行微调的方法，以适应扩展剧透的生成。本研究突出了复杂文本处理技术在解决点击诱饵这一无处不在的问题上的潜力，为数字领域的用户体验提供了改进。

May, 2024

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

提出了一种基于经过优化的大规模语言模型集合的点击诱饵剧透生成方法，不局限于短语或段落剧透，还能生成涉及文本中非连续部分的多部分剧透；实验评估结果表明，该集合模型在 BLEU、METEOR 和 BERTScore 指标上优于基准模型。

May, 2024

鉴于点击率欺骗事件的增多，我们构建了一个手动标记的印度尼西亚点击率欺骗语料库，并使用跨语言零 - shot 问题回答模型来解决印度尼西亚等低资源语言的点击率欺骗问题，实验结果表明，XLM-RoBERTa（large）模型在短语和段落的剧透方面优于其他模型，而 mDeBERTa（base）模型在多部分剧透方面优于其他模型。

Oct, 2023

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

该论文介绍了用于自动检测媒体产品评论中关键情节的计算方法。通过一个大规模的书评数据集，该论文开发了一种端到端的神经网络结构来检测评论中的关键情节，定量和定性结果表明，该方法显著优于现有基线模型。

May, 2019

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

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

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