ClickGuard：一种用于诱导点击检测的可信自适应融合框架
计算与语言
2026-04-09 v1
摘要
诱导点击标题的广泛使用——旨在误导并最大化参与度——对在线可信度构成重大挑战。这些标题采用耸人听闻的手法、误导性声明和模糊语言，凸显了有效检测以确保可信数字内容的必要性。本文提出ClickGuard：一种用于诱导点击检测的可信自适应融合框架。它结合BERT嵌入与结构特征，使用句法-语义自适应融合块（SSAFB）进行动态集成。该框架纳入混合CNN-BiLSTM以捕获模式和依赖关系。该模型达到96.93%的测试准确率，超越最先进方法。通过LIME和排列特征重要性（PFI）评估模型的可信度以进行可解释性和扰动分析。这些方法通过测量平均预测变化来评估模型的鲁棒性和对特征变化的敏感性。消融研究验证了SSAFB在优化特征融合方面的有效性。该模型在多样化数据集上展现出稳健性能，通过解决句法-语义建模挑战，提供了可扩展、可靠的解决方案以增强在线内容可信度。该工作代码可在以下地址获取：https://github.com/palindromeRice/ClickBait_Detection_Architecture
引用
@article{arxiv.2604.07272,
title = {ClickGuard: A Trustworthy Adaptive Fusion Framework for Clickbait Detection},
author = {Chhavi Dhiman and Naman Chawla and Riya Dhami and Gaurav Kumar and Ganesh Naik},
journal= {arXiv preprint arXiv:2604.07272},
year = {2026}
}