Prompt-tuning for Clickbait Detection via Text Summarization

点击诱饵是指试图通过令人惊讶的社交媒体帖子或具有欺骗性的新闻标题来吸引用户点击，以获取更多点击量，从而获得更多利润或商业收益。点击诱饵的传播对用户产生了重大负面影响，可能会给用户带来误导甚至点击劫持攻击。与虚假新闻不同，点击诱饵检测的关键问题在于确定标题是否与相应内容匹配。目前，大多数现有方法通过计算标题和内容之间的语义相似度来检测点击诱饵。然而，由于标题和内容在长度和语义特征上存在显着差异，直接计算语义相似度通常很难总结它们之间的关系。为了解决这个问题，本文提出了一种通过文本摘要进行点击诱饵检测的提示调整方法。在该方法中，引入了文本摘要来总结内容，然后根据生成的摘要与内容之间的相似度来进行点击诱饵检测。具体而言，我们首先引入了一个两阶段文本摘要模型，基于预训练的语言模型生成高质量的新闻摘要，然后将标题和新生成的摘要作为提示调整的输入。此外，我们采用了多种策略来整合外部知识，以提高点击诱饵检测的性能。在知名的点击诱饵检测数据集上进行的广泛实验表明，我们的方法达到了最先进的性能水平。

本文的问题是如何检测clickbait，即如何判断标题是否与内容相符。相比直接计算语义相似度，本文提出了一种使用文本摘要来进行clickbait检测的方法。

本文的关键思路是使用两阶段文本摘要模型生成高质量的新闻摘要，并将标题和新生成的摘要作为prompt-tuning的输入，通过比较生成的摘要和内容之间的相似性来进行clickbait检测。

本文使用了多种策略来提高clickbait检测的性能，并在多个数据集上进行了实验，实验结果表明本文的方法达到了state-of-the-art的水平。

与本文相关的研究包括使用语义相似度计算的clickbait检测方法，以及使用深度学习模型进行文本摘要的研究。相关论文包括《Clickbait Detection Using Semantic Similarity》和《Deep Learning Based Text Summarization: A Survey》等。