LLM引导的标题重写：无点击诱惑提升点击率
计算与语言
2026-03-27 v1 人工智能
摘要
在可控文本生成中，提升读者参与度同时保持信息忠实度是新闻媒体的核心挑战。优化新闻标题以提升读者参与度常常与点击诱惑混为一谈，导致夸大或误导性的措辞破坏编辑信任。我们将点击诱惑不视为独立的风格类别，而是合法参与线索过度放大导致的极端结果。在此视角下，将标题重写建模为受语义忠实度和比例强化约束的可控生成问题。我们构建了一个基于大语言模型(LLM)的引导式标题重写框架，采用FUDGE(未来生成判别器)范式实现推理时控制。该LLM通过两个辅助指导模型进行引导：(1)点击诱惑评分模型提供负向指导抑制过度风格放大，(2)参与属性模型提供正向指导对齐目标点击率目标。两者均在来自精选真实新闻语料库的中性标题上训练。同时，通过在受控激活预定义参与策略的情况下使用LLM重写生成点击诱惑变体。通过调整推理时的指导权重，系统可沿从中性改写到更具吸引力且编辑上可接受的表述的连续体生成标题。该框架为研究吸引力、语义保留与点击诱惑避免之间的权衡，提供了原则化的方法，支持负责任的LLM驱动的标题优化。
引用
@article{arxiv.2603.22459,
title = {LLM-guided headline rewriting for clickability enhancement without clickbait},
author = {Yehudit Aperstein and Linoy Halifa and Sagiv Bar and Alexander Apartsin},
journal= {arXiv preprint arXiv:2603.22459},
year = {2026}
}
备注
14 pages, 4 figures