基于半监督置信网络辅助门控注意力的循环神经网络用于点击诱饵检测
计算与语言
2018-11-06 v1
摘要
点击诱饵是社交媒体 outlet 频繁使用的引人注目的标题，以诱使其观众点击从而将其引向可疑内容。此类唯利是图的方案靠利用天真社交媒体用户的好奇心而兴盛，将流量导向原本不会被访问的网页。在本文中，我们提出一种新颖的、基于半监督分类的方法，其采用从 Gumbel-Softmax 分布采样的注意力来提炼在点击诱饵检测中相当重要的上下文。在注意力权重上的一个附加损失被用于编码先验知识。此外，我们提出一个置信网络，其支持在弱标签上学习并提升对噪声标签的鲁棒性。我们表明，仅用 30% 的强标签样本，我们就能达到当前点击诱饵检测最优方法超过 97% 的准确率。
引用
@article{arxiv.1811.01355,
title = {Semi-Supervised Confidence Network aided Gated Attention based Recurrent Neural Network for Clickbait Detection},
author = {Amrith Rajagopal Setlur},
journal= {arXiv preprint arXiv:1811.01355},
year = {2018}
}
备注
Oral Presentation, ICON 2018 [Proceedings in ACL Anthology]