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

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

本文提出并研究了点击标题破坏的任务：生成一个短文本，满足点击标题帖子引起的好奇心。我们的贡献是分类所需破坏类型（即短语或段落），并生成适当的破坏内容。在新的 5000 篇手动破坏的点击标题帖子语料库上进行了大规模的评估和错误分析，结果显示我们的破坏类型分类器达到了 80％的准确率，而问答模型 DeBERTa-large 在生成两种类型的破坏内容方面表现出色。

Mar, 2022

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

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

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