論文の概要: Clickbait Spoiling via Question Answering and Passage Retrieval
- arxiv url: http://arxiv.org/abs/2203.10282v1
- Date: Sat, 19 Mar 2022 09:40:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-26 21:48:28.351948
- Title: Clickbait Spoiling via Question Answering and Passage Retrieval
- Title(参考訳): 質問応答と通路検索によるクリックベイトスポイリング
- Authors: Matthias Hagen and Maik Fr\"obe and Artur Jurk and Martin Potthast
- Abstract要約: 我々はクリックベイト腐敗の課題を紹介し,研究する。
クリックベイトはウェブページへのリンクを投稿し、好奇心を喚起してそのコンテンツを宣伝する。
我々の貢献は、必要なスポイラーの種類を分類し、適切なスポイラーを生成するアプローチである。
- 参考スコア(独自算出の注目度): 25.257288432595477
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We introduce and study the task of clickbait spoiling: generating a short
text that satisfies the curiosity induced by a clickbait post. Clickbait links
to a web page and advertises its contents by arousing curiosity instead of
providing an informative summary. Our contributions are approaches to classify
the type of spoiler needed (i.e., a phrase or a passage), and to generate
appropriate spoilers. A large-scale evaluation and error analysis on a new
corpus of 5,000 manually spoiled clickbait posts -- the Webis Clickbait
Spoiling Corpus 2022 -- shows that our spoiler type classifier achieves an
accuracy of 80%, while the question answering model DeBERTa-large outperforms
all others in generating spoilers for both types.
- Abstract(参考訳): クリックベイト投稿によって引き起こされる好奇心を満たす短いテキストを生成する。
clickbaitはウェブページへのリンクをリンクし、興味を喚起してコンテンツを宣伝する。
私たちの貢献は、必要なスポイラーの種類(句や節)を分類し、適切なスポイラーを生成するためのアプローチです。
Webis Clickbait Spoiling Corpus 2022 という,5,000 個の手作業によるクリックベイトポストの新しいコーパスに対する大規模な評価とエラー解析は,我々のスポイラー型分類器が80%の精度を実現していることを示している。
関連論文リスト
- Bandits Meet Mechanism Design to Combat Clickbait in Online
Recommendation [50.469872635246176]
我々は,マルチアームバンディット問題の戦略的変種について検討し,これを戦略的クリックバンディット(Click-bandit)と呼ぶ。
このモデルは、推奨項目の選択がクリックスルー率とクリック後の報酬の両方に依存するオンラインレコメンデーションのアプリケーションによって動機付けられている。
論文 参考訳(メタデータ) (2023-11-27T09:19:01Z) - Low-Resource Clickbait Spoiling for Indonesian via Question Answering [14.670767459273307]
クリックベイト腐敗は、クリックベイト投稿によって引き起こされる好奇心を満たすための短いテキストを生成することを目的としている。
新しく導入されたタスクなので、データセットは今のところ英語でしか利用できない。
私たちのコントリビューションには、インドネシアにおける手作業によるクリックベイト腐敗コーパスの構築が含まれています。
論文 参考訳(メタデータ) (2023-10-12T07:17:17Z) - A Novel Contrastive Learning Method for Clickbait Detection on RoCliCo:
A Romanian Clickbait Corpus of News Articles [29.119911024232064]
ルーマニア語のクリックベイトコーパスは公開されていない。
クリックベイトラベルと非クリックベイトラベルを手動で注釈付けした8,313のニュースサンプルからなるルーマニア語Clickbait Corpus(RoCliCo)を紹介した。
本稿では,ニュースタイトルやコンテンツが深い距離空間にエンコードされることを学習する,BERTに基づく新しいコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2023-10-10T11:38:16Z) - Clickbait Classification and Spoiling Using Natural Language Processing [2.66512000865131]
クリックベイトを3つのタイプのうちの1つ(タスク1)に分類し、クリックベイトを台無しにする(タスク2)という2つのタスクに取り組む。
タスク1では、最終スポイラー型を決定するために2つのバイナリ分類器を提案する。
タスク2では,質問応答モデルを用いてスポイラーのテキストのスパンを識別し,大言語モデル(LLM)を用いてスポイラーを生成する。
論文 参考訳(メタデータ) (2023-06-16T01:45:57Z) - Detecting Spoilers in Movie Reviews with External Movie Knowledge and
User Networks [49.34060089217864]
オンライン映画レビュープラットフォームは、映画産業と一般大衆にクラウドソースによるフィードバックを提供している。
自動でスポイラーを識別するための予備的な研究が実施されたが、それらは単にレビューの内容そのものに焦点を当てているだけであった。
本稿では,映画レビュープラットフォーム上での映画やユーザ活動の外部知識を考慮した,新しい多視点スポイラー検出フレームワークであるMVSDを提案する。
論文 参考訳(メタデータ) (2023-04-22T13:54:31Z) - Verifying the Robustness of Automatic Credibility Assessment [79.08422736721764]
テキスト分類法は信頼性の低い内容を検出する手段として広く研究されている。
入力テキストの無意味な変更は、モデルを誤解させることがある。
偽情報検出タスクにおける被害者モデルと攻撃方法の両方をテストするベンチマークであるBODEGAを紹介する。
論文 参考訳(メタデータ) (2023-03-14T16:11:47Z) - Saved You A Click: Automatically Answering Clickbait Titles [12.12386497045842]
ウェブサイトのテキストからクリックベイトフックの回答や説明を自動的に見つけるシステムを開発した。
我々は、'StopClickbait' FacebookページとRedditの'SavedYouAClick'サブフォーラムから抽出されたデータを用いて、抽出された質問・回答モデル(RoBERTa)と抽象的な質問・回答モデル(T5)を微調整する。
論文 参考訳(メタデータ) (2022-12-15T23:41:20Z) - Clickbait Detection in YouTube Videos [6.961253535504979]
YouTubeビデオには、しばしば、視聴数を増やすためにデザインされた、魅惑的な説明やサムネイルが含まれている。
これにより、クリックベイト動画を投稿するインセンティブが生まれ、コンテンツはタイトルや説明、サムネイルから大きく逸脱する可能性がある。
事実上、ユーザーはクリックベイトビデオをクリックするように騙される。
論文 参考訳(メタデータ) (2021-07-26T12:39:32Z) - Machine Learning Explanations to Prevent Overtrust in Fake News
Detection [64.46876057393703]
本研究では、ニュースレビュープラットフォームに組み込んだ説明可能なAIアシスタントが、フェイクニュースの拡散と戦う効果について検討する。
我々は、ニュースレビューと共有インターフェースを設計し、ニュース記事のデータセットを作成し、4つの解釈可能なフェイクニュース検出アルゴリズムを訓練する。
説明可能なAIシステムについてより深く理解するために、説明プロセスにおけるユーザエンゲージメント、メンタルモデル、信頼、パフォーマンス対策の相互作用について議論する。
論文 参考訳(メタデータ) (2020-07-24T05:42:29Z) - Hooks in the Headline: Learning to Generate Headlines with Controlled
Styles [69.30101340243375]
我々は,見出しを3つのスタイルで強化する新しいタスク,Styllistic Headline Generation (SHG)を提案する。
TitleStylistは、要約と再構築タスクをマルチタスクフレームワークに組み合わせることで、スタイル固有の見出しを生成する。
我々のモデルが生成したアトラクションスコアは、最先端の要約モデルの9.68%を超え、人間による参照よりも優れています。
論文 参考訳(メタデータ) (2020-04-04T17:24:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。