用于点击诱饵检测的启发式特征选择
计算与语言
2018-02-06 v1
摘要
我们研究特征选择，将其作为优化 Clickbait Challenge 2017 所采用基线点击诱饵检测器的手段。该挑战的任务是给定一条 Twitter 推文，在 0（无点击诱饵）到 1（强点击诱饵）的量表上对其“点击诱饵程度”评分。与提交给该挑战的大多数其他方法不同，基线方法基于人工特征工程，且并非开箱即用地与许多基于深度学习的方法竞争。我们展示，扩大特征选择工作以启发式地识别性能更优的特征子集，将基线分类器的性能提升至总排名第二，击败其他 12 种竞争方法，并较基线性能改进 20%。这表明在此任务上传统分类方法仍可与深度学习抗衡。
引用
@article{arxiv.1802.01191,
title = {Heuristic Feature Selection for Clickbait Detection},
author = {Matti Wiegmann and Michael Völske and Benno Stein and Matthias Hagen and Martin Potthast},
journal= {arXiv preprint arXiv:1802.01191},
year = {2018}
}
备注
Clickbait Challenge 2017