[论文解读] Clickbait in YouTube Prevention, Detection and Analysis of the Bait using Ensemble Learning

Peya Mowar, Mini Jain+2 more|arXiv (Cornell University)|Dec 16, 2021

Misinformation and Its Impacts被引用 9

一句话总结

本文提出了一种新颖的集成学习模型，用于YouTube点击诱骗内容检测，该模型整合了视频内容、标题和缩略图分析，采用包含六个基模型和元学习器的堆叠分类器。该方法在BollyBAIT数据集上达到92.89%的准确率，在误导性视频数据集上达到95.38%的准确率，且无需依赖用户互动元数据，从而实现视频上传前的检测，防止点击诱骗内容被发布。

ABSTRACT

Unscrupulous content creators on YouTube employ deceptive techniques such as spam and clickbait to reach a broad audience and trick users into clicking on their videos to increase their advertisement revenue. Clickbait detection on YouTube requires an in depth examination and analysis of the intricate relationship between the video content and video descriptors title and thumbnail. However, the current solutions are mostly centred around the study of video descriptors and other metadata such as likes, tags, comments, etc and fail to utilize the video content, both video and audio. Therefore, we introduce a novel model to detect clickbaits on YouTube that consider the relationship between video content and title or thumbnail. The proposed model consists of a stacking classifier framework composed of six base models (K Nearest Neighbours, Support Vector Machine, XGBoost, Naive Bayes, Logistic Regression, and Multilayer Perceptron) and a meta classifier. The developed clickbait detection model achieved a high accuracy of 92.89% for the novel BollyBAIT dataset and 95.38% for Misleading Video Dataset. Additionally, the stated classifier does not use meta features or other statistics dependent on user interaction with the video (the number of likes, followers, or comments) for classification, and thus, can be used to detect potential clickbait videos before they are uploaded, thereby preventing the nuisance of clickbaits altogether and improving the users streaming experience.

研究动机与目标

• 为解决YouTube上日益严重的欺骗性点击诱骗内容问题，此类内容通过操纵用户参与度以获取广告收益。
• 开发一种检测系统，利用视觉和音视频内容，以及标题和缩略图等文本描述符。
• 消除对用户互动元数据（例如点赞、评论、粉丝数）的依赖，实现视频上传前的主动检测。
• 通过阻止误导性内容的发布，改善用户的流媒体观看体验。

提出的方法

• 所提出的模型采用堆叠集成分类器，包含六个基模型：K近邻、支持向量机、XGBoost、朴素贝叶斯、逻辑回归和多层感知机。
• 通过视觉（帧）和音频（语音与声音）模态的特征提取处理视频内容，以捕捉多模态线索。
• 使用自然语言处理技术（包括TF-IDF和词嵌入）从视频标题和缩略图中提取文本特征。
• 基模型在结合视频、音频和文本数据的多模态特征上进行训练，其预测结果作为元分类器的输入。
• 元分类器学习整合基模型的预测结果，以提升整体检测性能。
• 该模型在两个新数据集（BollyBAIT和误导性视频数据集）上进行训练和评估，未使用任何用户互动统计信息。

实验结果

研究问题

• RQ1 通过结合视频、音频、标题和缩略图特征，多模态集成模型能否有效检测YouTube上的点击诱骗内容？
• RQ2 与单个模型相比，集成堆叠分类器在检测欺骗性YouTube内容方面的性能如何？
• RQ3 在不依赖用户参与度指标的情况下，仅使用内容和描述符特征，能否在视频上传前实现点击诱骗内容检测？
• RQ4 与仅使用元数据的模型相比，整合视频和音频内容是否能显著提升点击诱骗内容检测的准确率？

主要发现

• 所提出的集成模型在BollyBAIT数据集上实现了92.89%的检测准确率，该数据集是专为YouTube内容点击诱骗检测而设计的新数据集。
• 在误导性视频数据集上，模型准确率达到95.38%，表明其在不同类型欺骗性内容上具有强大的泛化能力。
• 该模型未使用任何基于用户互动的特征（如点赞、评论或粉丝数），从而可实现在视频发布前的检测。
• 将视频和音频内容与文本描述符结合，显著提升了检测性能，相较于仅使用元数据的方法效果更优。
• 堆叠集成架构优于单个基模型，证实了结合多种学习算法的有效性。
• 该模型具备在上传前检测点击诱骗内容的能力，为减少用户接触误导性内容提供了主动解决方案。