基于双重引导模型的可控新闻标题重写：在忠实性约束下平衡参与度与标题党抑制

《Scientific Reports》：LLM-guided headline rewriting for clickability enhancement without clickbait

　　

摘要

为读者参与度优化新闻标题往往与标题党混为一谈，产生了夸大或误导性的措辞，从而侵蚀了编辑公信力。我们重新定义标题党，不将其视为一个独立的类别，而是视为对原本合法的参与度线索的过度放大，并将标题重写设定为一个可控生成问题，在明确的忠实性约束下增强所选的参与度属性。我们在推理时使用两个轻量级引导模型来引导大语言模型：一个提供负向引导的标题党评分器，以及一个提供正向引导的参与度属性模型，它们在解码过程中相结合，以便可以选择性地增强某种参与度属性，同时抑制标题党。这两个引导模型都是在中性新闻标题及其合成放大变体上训练的；标题党引导模型在人工编写语料库上进行了外部验证，参与度引导模型的属性分数与人工标记的标题党相关。在保留的标题上，消融实验表明这两个引导模型产生独立且相反的效果，与解码时控制方法 DExperts 和 GeDi 进行基准比较，双重引导增加了一个独立的标题党限制机制，这是一个专用调节机制，可以在选定的参与度水平下降低诱发的标题党，而单轴方法缺乏这种能力。独立的自动指标和一项三位标注者参与的人类研究证实，与这些基线相比，该方案具有更高的忠实性和更低的诱发标题党。该框架支持新闻业中负责任的标题优化。我们报告的方案保持重写忠于原文且标题党程度较低，而不是尽可能提高参与度；当需要更多参与度时，可以提供较轻的限制。