互聯網標題黨現象研究及治理

◎鄭家錄

（秭歸縣電視臺融媒體中心 湖北 秭歸 443600）

標題黨，是指在以互聯網為代表的論壇或媒體上，通過引人注目的標題來吸引受眾注意力，當受眾點擊進去發現與標題落差很大而又合情合理，以達到增加點擊量或知名度等各種目的網站編輯、記者、管理者和網民的總稱。

標題黨現象的成因，除了商業模式的驅動，還有用戶多樣性、不同用戶體驗需求對標題黨內容標準的不一致，標題黨現象難以根除。本文從日常實際中，截取了五大門戶網站上篩選出標題黨內容，從數據上分析標題黨的五大特征。

一、標題黨的三種類型

（一）聯想型標題黨

1.驚！一男子喝醉酒竟然和動物……（武松打虎）

2.驚呆了！睡了十二年的戰友，竟然是女兒身！（花木蘭）

3.中國學生數學神乎其神的原因，美國人終于破解了……（中國學生比較能吃苦）

4.膽小別看！醫鬧患者當場砍死醫生，場面血腥！（曹操殺華佗）

5.驚悚！38歲李玉剛滿頭白發老態龍鐘（化妝）

6.黃曉明暴打楊穎，真正的原因是這樣的，令人驚訝！（澄清媒體造謠）

這一類標題黨在信息流中雖然比較少見，但是引起的用戶反感效果最強。其中一類為通過事件某一個側面，用引人聯想型的文字描述，多與低俗擦邊，來吸引點擊。我們以負面評論作為評判標準，這類文章的負面評論最多，用戶最為反感[1]。

（二）情緒型標題黨

1.中國小將被擊倒后暴走，一拳KO泰拳王。

2.國乒天才打出絕世無解球，對手被嚇懵，解說員瘋狂。

3.楊建平為師弟報仇，把韓國拳手拎起來揍。

在這一類標題中以用戶情緒為出發點，渲染夸大事實，以此來刺激用戶點擊。這些內容普遍點擊率較高，時長及閱讀完成比并不低。

（三）求知型標題黨

這一類標題黨多利用數字，追隨社會熱點，多用“為什么、你、全世界、99%”等敏感詞匯，多引用名人案例來刺激用戶的求知欲，刺激用戶的好奇心。內容本質上是比較普通的事件[2]。

二、標題黨的數據特征

根據五大門戶內容數據，將最近一個月的內容按閱讀時長、CTR、閱讀完成比分段，閱讀時長（0-20秒，20-60秒，60-120秒，120-180秒，180秒以上），CTR（0-6%，6%-10%，10%-15%，15%-20%，20%+），閱讀完成比（0-30%，30%-50%，50%-80%，80%-100%），最終交叉有80種組合，大致分析了每種組合中的內容情況，發現數據規律性很明顯。

（一）CTR高但閱讀完成率低

熱血戰狼文、噱頭、部分標題黨CTR水平在20%以上，完成比80%以上，博眼球內容較多。但閱讀完成率低，另外通過差評的角度對內容進行區分，抽查了一部分差評較多的內容，發現差評的類型比較多，差評占比達到40%以上。

（二）用戶的接受程度不一

我們調研了約100名不同年齡、職業的用戶，通過用戶過去喜歡看哪類內容，各類內容閱讀深度如何，對標題黨內容是否敏感，是否喜歡看大眾的獵奇內容，還是偏好垂直、深度內容，發現對同一篇文章，這100名用戶對標題黨的認知不一致，有50%的內容偏差。

三、標題黨治理

（一）后驗數據篩選

根據數據特征的差異性，在現在互聯網數據分發階段，我們可以利用后延數據算法模型來對文章進行區分。在召回和排序算法中考慮閱讀時長、閱讀完成比、分享率、收藏率、評論率等多維度數據，降低點擊率的影響，通過用戶深度反饋——分享、收藏等指標，來抑制單純刺激點擊產生的“馬太效應”。

在目前各家互聯網公司的分發模型中，多采用機器學習常見的FFM模型、FTRL等模型來預測內容點擊率，我們以此為處罰點，構建分發模型，例：

后驗數據特征=點擊×系數A＋分享×系數A1＋收藏×系數A2＋閱讀完成率×系數A3＋正評×系數A3-負評×系數A4

在此公式中我們將A1、A2、A3、A4系數靈活設置，將正面系數調大，可以抑制單純以點擊驅動的分發模式。

（二）用戶分群

對于一般型標題黨內容略微夸大，但不存在誤導用戶行為的稿件，互聯網不會將之扼殺，但是為了兼顧用戶體驗，需要對用戶進行分群。存在同一部分內容一部分用戶最喜歡，而另一部分用戶最不喜歡，可見通過用戶歷史興趣再結合人工經驗梳理來對用戶分群，能對用戶細分起到一定效果。對于不同水平的用戶所表現出的數據特點也會有所差異，時間緊迫，可以先對高端用戶，標題黨敏感，喜歡深度內容，不喜歡高點擊率、大眾、獵奇內容的用戶，進行低質量內容限制，后續逐漸優化梳理映射規則，覆蓋全部用戶并做到精準分發[3]。

我們發現有些明顯標題黨品質很差、平均時長和閱讀完成比很低的內容，還是有一些用戶讀完了，可以認為這些人就是對標題黨不敏感的用戶。也有一些平均點擊率X%以下、平均時長和閱讀完成比也不高的內容，同樣有一部分用戶認真讀完了，仔細分析發現這些內容都是領域內比較垂直、有深度的內容，大部分普通用戶是沒有興趣閱讀的，而認真讀完的用戶都是在這方面興趣很垂直的用戶。

因為用戶在某領域的知識水平和興趣度是不同的，根據統計的平均CTR、時長、完成比等都是在所有用戶上的表現，一些資深人士的行為很容易被大部分的普通用戶的行為掩蓋，導致這些后驗數據失去個性化分發的作用。而這種現象在財經、體育、軍事、軍情、時政、國際、社會等幾個專業性強的類別下表現更加突出[4]。

差評可以識別出一部分低質內容，去掉大部分用戶不喜歡的內容，但對于有爭議內容、戰狼文，并不適合一刀切，而是找到對其感興趣的用戶進行推薦。其實我們忽略了一篇內容是哪些人貢獻了這些點擊和行為，只需將平均數據拆解到用戶群體，便可以將內容屬性和用戶屬性劃分開。

（三）人工精細化運營

除了依靠數據和用戶分群之外，還需要人工輔助。需要在人工梳理用戶和內容分類的基礎上，對信息流分發過程中的召回、排序算法進行優化。對一篇文章，不單單通過所有用戶的后驗數據進行排序，需要細化到不同用戶群的表現，內容之間的排序要考慮同類用戶群下的數據表現。

互聯網平臺要加強內容審核，依靠編輯的經驗判斷來提升內容品質。通過文章審核、媒體評級等手段凈化內容生態。

標題黨游走于質量“灰色地帶”，給互聯網公司帶來收益的同時，也在消耗平臺的用戶體驗，縮小平臺的生命周期。對標題黨的治理任重而道遠。