基于多语言 BERT 的印尼语新闻站点标题党检测
计算与语言
2021-02-03 v1
摘要
点击量与在线广告主支付给新闻网站的金额相关。此类商业模式迫使部分新闻网站采用标题党的卑劣手段,即在标题中使用夸张且吸引人的词语,有时以未完的句子刻意挑逗读者。一些印尼在线新闻网站也加入了标题党行列,间接损害了其他成熟新闻网站的可信度。我们将以预训练语言模型 M-BERT 作为嵌入层、结合 100 节点隐藏层并以 sigmoid 分类器收尾的神经网络加以训练,用于检测标题党标题。以总计 6632 条标题作为训练数据集,该分类器表现极为出色。经 5 折交叉验证评估,其准确率为 0.914,f1 值为 0.914,精确率为 0.916,ROC-AUC 为 0.92。本文测试了多语言 BERT 在印尼语文本分类任务中的使用,并表明其有进一步提升的可能。文中讨论了标题党检测的未来可能性、社会影响与局限性。
引用
@article{arxiv.2102.01497,
title = {Clickbait Headline Detection in Indonesian News Sites using Multilingual Bidirectional Encoder Representations from Transformers (M-BERT)},
author = {Muhammad N. Fakhruzzaman and Saidah Z. Jannah and Ratih A. Ningrum and Indah Fahmiyah},
journal= {arXiv preprint arXiv:2102.01497},
year = {2021}
}
备注
19 pages