Fugu-MT 論文翻訳(概要): Clickbait Spoiling via Question Answering and Passage Retrieval

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

Generating clickbait spoilers with an ensemble of large language models [2.07180164747172]
クリックベイトスポイラー生成のための微調整された大言語モデルのアンサンブルを提案する。提案手法はフレーズスポイラーや文節スポイラーに限らず, テキストの非連続部分を参照するマルチパートスポイラーを生成することができる。実験により,提案したアンサンブルモデルがBLEU, METEOR, BERTScoreの基準値よりも高い性能を示した。
論文参考訳（メタデータ） (2024-05-25T15:49:08Z)
Mitigating Clickbait: An Approach to Spoiler Generation Using Multitask Learning [6.404122934568859]
本研究では,スポイラーを簡潔なテキスト応答として検出・分類・生成する新技術である「クリックベイトスポイリング」を紹介する。マルチタスク学習フレームワークを活用することで,モデルの一般化能力は大幅に向上する。本研究は,クリックベイト問題に対処するための高度なテキスト処理技術の可能性を強調した。
論文参考訳（メタデータ） (2024-05-07T13:09:25Z)
Prompt-tuning for Clickbait Detection via Text Summarization [18.027598728494485]
クリックベイト(Clickbaits)は、ソーシャルな投稿や、クリック数を増やすためにユーザーを誘惑する偽ニュースの見出しだ。既存のほとんどの手法は、クリックベイトを検出するために見出しと内容のセマンティックな類似性を計算する。テキスト要約によるクリックベイト検出のプロンプトチューニング手法を提案する。
論文参考訳（メタデータ） (2024-04-17T09:39:02Z)
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)
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 [50.55687778699995]
入力テキストにおける意味保存的変化がモデルを誤解させる可能性があることを示す。また、誤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についても紹介する。我々の実験結果によると、現代の大規模言語モデルは、以前のより小さなソリューションよりも攻撃に対して脆弱であることが多い。
論文参考訳（メタデータ） (2023-03-14T16:11:47Z)
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。