【内容算法】内容质量之标题党

 

作者丨孙子荀

单位丨腾讯科技专家研究员

 

业务定义

 

首先在我们讨论标题党的时候，我们需要定义清楚，我们说的是1 仅标题带来的主观感受，还是 2 通过标题点击进入文章后的阅读感受。

 

如果是1 ：标题的感受。来源于几个indicate 。

a .表征的有： 用词用语 ,句法句样式; （可以看文末【标题党特征举例】）

b .知识层面的有： 标题是否让人主观先验到，大概率是虚假新闻。

 

如果是2：通过标题后阅读文章的感受。有几个indicate。

a.表征的有：文章直观感受没有信息量如，纯配图，或者纯旧闻，提现在跳出率高，阅读时常低。

b.知识层面的有： 文章是否无营养，文章内容纯在虚假。

 

我们根据上面的区分，根据使用特征和处理手段，把标题党分成几种问题domain, 希望在解决标题党泛问题之前，先明确定义。

 

 

1型 标题型标题党 （基于标题本身）

1.1 使用了诱导性：句法句式

1.2 使用了诱导性：用词用语

1.3 语义本身具有诱导性

通用子问题： 分类模型（SVM，BERT）。 句法分析，

2型 文不对题型标题党 （基于文本和内容匹配情况）

通用子问题：NLP问题中的相似度量办法都可以尝试。

3型 无价值判定标题党 （基于内容表现模型）

如：诱导点击，跳出率高。 用户进入后大部分第一时间跳出。 这里

通用子问题：数据挖掘问题，如空间异常检查。

 

4型 评论判定标题党 （基于用户文本知识模型）

 

4.1 基于用户评论分析

通用子问题： NLP情感分析，规则等。

 

5型 行为判定标题党 （基于用户行为模型）

4.2 基于负反馈行为（举报原因）

通用子问题：1.类似III型，常规数据挖掘问题；

2.建模用户行为，其他集体智慧编程方法（CF，矩阵分解等）。

 

6型 虚假型标题党

如：标题本身描述是虚假的。可能是主观虚假，也可能是客观虚假。和正文是否虚假无关。

通用子问题：可以参考当前已有的假新闻检测方法： https://www.jiqizhixin.com/articles/2019-02-19-22

 

9型 整体标题党

 

严格来说可能不一定是一个标题党问题，只是具有标题党的内容，本身也伴随着这些内容问题，比如水文，无营养判定等内容质量问题等。

 

 

 

备注：

1. 以上五个类型，不具备排他性。可以同时符合多个。

2. 9型标题党， 可以通过多模态的分类问题直接建模，类似无营养，水文，假新闻等

 

举例

 

• 断章取义 （I， II，IV）

  • 标题：刘德华演唱会现场耍大牌！怒骂保安场面失控！

  • 内容：安保动作过大，刘德华保护歌迷安全

 

• 故作玄虚 （I ）

  • 标题：插了一夜没拔，结果差点弄出人命！

  • 内容：手机充电器夜里爆炸

  •  

• 正题歪做（IV）

  • 标题：禽兽！一众男明星艺人竟然对柳岩做这样的事情！

  • 内容：包贝尔婚礼，柳岩险被群人推到泳池

  •  

• 侮辱调侃 （I，IV）

  • 标题：九寨沟，不震你震谁？

  • 内容：九寨沟景区收入过高被仇富

  •  

• 数据无从考证 （IIV ）

  • 标题：14亿人都不知道的真相，历史的血泪！

  •  

• 虚构名人言论经历 （IIV ）

  • 标题：李彦宏给年轻人的20句忠告！

  •  

• 道德绑架 （I，III）

  • 标题：百度看了会沉默，阿里看了会流泪，不转不是腾讯人！

  •  

• 故弄玄虚（I ）

  • 标题：4岁孩子得胃癌！看他妈给他吃些什么！！

  • 内容：