26、YouTube视频标题党检测与人工智能辅助的网络风险预警

YouTube视频标题党检测与人工智能辅助的网络风险预警

1. YouTube视频标题党检测

在当今的网络环境中，标题党视频在YouTube等平台上屡见不鲜。为了对YouTube视频进行标题党和非标题党分类，研究人员利用了先进的技术。

1.1 特征与模型选择

研究中利用了三种主要类型的特征，分别是用户资料、视频统计数据和文本数据。同时考虑了多种分类技术，包括逻辑回归（LR）、随机森林（RF）和多层感知器（MLP），并且采用了Word2Vec、BERT和DistilBERT作为语言模型。

不同模型的准确率对比情况如下表所示：
| 模型 | 准确率 |
| — | — |
| LR (Word2Vec) | 0.70 |
| RF (Word2Vec) | 0.93 |
| MLP (Word2Vec) | 0.91 |
| MLP+ (Word2Vec) | 0.88 |
| MLP (BERT) | 0.95 |
| MLP (DistilBERT) | 0.92 |

从表格数据可以看出，基于BERT嵌入的MLP分类器取得了最佳准确率，不过更轻量级的DistilBERT表现也十分接近。此外，研究还证实通过添加更多特征可以提高模型的准确率。

1.2 未来研究方向

为了进一步提升标题党检测的效果，未来的研究可以从以下几个方面展开：
- 增加特征 ：视频的文字转录稿可能包含有用信息，例如转录稿与标题之间的“距离”能提供重要洞察，因为标题党视频的内容往往与标题差异显著。此外，