論文の概要: Mitigating Clickbait: An Approach to Spoiler Generation Using Multitask Learning
- arxiv url: http://arxiv.org/abs/2405.04292v1
- Date: Tue, 7 May 2024 13:09:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-08 14:10:19.039311
- Title: Mitigating Clickbait: An Approach to Spoiler Generation Using Multitask Learning
- Title（参考訳）: クリックベイトを緩和する:マルチタスク学習を用いたスポイラー生成へのアプローチ
- Authors: Sayantan Pal, Souvik Das, Rohini K. Srihari,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.404122934568859
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study introduces 'clickbait spoiling', a novel technique designed to detect, categorize, and generate spoilers as succinct text responses, countering the curiosity induced by clickbait content. By leveraging a multi-task learning framework, our model's generalization capabilities are significantly enhanced, effectively addressing the pervasive issue of clickbait. The crux of our research lies in generating appropriate spoilers, be it a phrase, an extended passage, or multiple, depending on the spoiler type required. Our methodology integrates two crucial techniques: a refined spoiler categorization method and a modified version of the Question Answering (QA) mechanism, incorporated within a multi-task learning paradigm for optimized spoiler extraction from context. Notably, we have included fine-tuning methods for models capable of handling longer sequences to accommodate the generation of extended spoilers. This research highlights the potential of sophisticated text processing techniques in tackling the omnipresent issue of clickbait, promising an enhanced user experience in the digital realm.
- Abstract（参考訳）: 本研究は,クリックベイトコンテンツによる好奇心に対抗して,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、我々のモデルの一般化能力は大幅に向上し、クリックベイトの広範な問題に効果的に対処できる。
私たちの研究の要点は、必要なスポイラーの種類に応じて、適切なスポイラーを生成することにあります。
提案手法は,改良型スポイラー分類法と改良型QA機構を多タスク学習パラダイムに組み込み,文脈からのスポイラー抽出を最適化する手法である。
特に、拡張スポイラーの生成に対応するために、長いシーケンスを処理できるモデルの微調整方法を含めている。
本研究は,クリックベイトの未解決問題に対処する高度なテキスト処理技術の可能性を強調し,デジタル領域におけるユーザエクスペリエンスの向上を約束する。
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) - MMoE: Robust Spoiler Detection with Multi-modal Information and Domain-aware Mixture-of-Experts [24.019670360653002]
MMoEはマルチモーダルネットワークであり、複数のモーダルからの情報を利用してロバストなスポイラー検出を容易にする。
MMoEは2つの広く使用されているスポイラー検出データセット上で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-03-08T12:42:04Z) - 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) - Click: Controllable Text Generation with Sequence Likelihood Contrastive
Learning [69.35360098882606]
制御可能なテキスト生成のためのClickを導入し、モデルアーキテクチャを変更する必要はない。
シークエンス確率は対照的な損失を伴い、負のサンプルの生成確率を根本的に低下させる。
また、モデル世代から対照的なサンプルを構築するための、新しいランキングベースの戦略も採用している。
論文 参考訳（メタデータ） (2023-06-06T01:56:44Z) - 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) - Semantic Prompt for Few-Shot Image Recognition [76.68959583129335]
本稿では,数ショット学習のための新しいセマンティック・プロンプト(SP)手法を提案する。
提案手法は,1ショットの学習精度を平均3.67%向上させることにより,有望な結果が得られる。
論文 参考訳（メタデータ） (2023-03-24T16:32:19Z) - Towards End-to-End Open Conversational Machine Reading [57.18251784418258]
オープン検索型会話機械読解(OR-CMR)タスクでは,機械は対話履歴とテキスト知識ベースに応答するマルチターン質問を行う必要がある。
OR-CMRを完全エンドツーエンドで統一されたテキスト・ツー・テキスト・タスクとしてモデル化し、ShARCおよびOR-ShARCデータセットを用いた実験により、提案したエンドツーエンド・フレームワークの有効性を示す。
論文 参考訳（メタデータ） (2022-10-13T15:50:44Z) - Fine-Grained Visual Entailment [51.66881737644983]
そこで本稿では,テキストから画像への微粒な知識要素の論理的関係を予測することを目的として,このタスクの拡張を提案する。
従来の研究とは異なり、本手法は本質的に説明可能であり、異なるレベルの粒度で論理的予測を行う。
本手法は,手動でアノテートした知識要素のデータセットを用いて評価し,この課題に対して68.18%の精度を達成できることを示す。
論文 参考訳（メタデータ） (2022-03-29T16:09:38Z) - Clickbait Spoiling via Question Answering and Passage Retrieval [25.257288432595477]
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。
論文 参考訳（メタデータ） (2022-03-19T09:40:33Z) - Spoiler in a Textstack: How Much Can Transformers Help? [0.0]
本稿では、最新のディープラーニングの成果と手法を用いて、利用可能なテキストベースモデルタスクを微調整し、整理し、モデルの結果を解釈する方法について述べる。
そこで我々は,モデルの信頼性を評価し,その結果を説明するために,解釈可能性技術と尺度を用いた。
論文 参考訳（メタデータ） (2021-12-24T02:42:44Z) - Interactive Fiction Game Playing as Multi-Paragraph Reading
Comprehension with Reinforcement Learning [94.50608198582636]
対話型フィクション(IF)ゲームと実際の自然言語テキストは、言語理解技術に対する新たな自然な評価を提供する。
IFゲーム解決の新たな視点を捉え,MPRC(Multi-Passage Reading)タスクとして再フォーマットする。
論文 参考訳（メタデータ） (2020-10-05T23:09:20Z)
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。