标题党

from here

绝大部分新闻系统都采取户反馈的方式发现标题党，文章首次使用了一种 comprehensive 的方法尝试去归纳出标题党的语言学上的特征，并使用模型进行预测。文章通过统计分析总结了 14 个语言学上的特征，使用了决策树、随机森林、SVM 这三种分类器，各种模型的预测准确率均在 90% 左右，其中 SVM 表现最佳（准确率 0.95，召回率 0.9），好于基于规则的算法（召回率 0.72，准确率 0.78 ）[Facebook 2006]。

句子结构

长度：非标题党文章的标题要比标题党的文章更短，标题党的平均长度为 10，而正常文章的平均标题长度为 7。
平均单词长度：标题党的平均单词长度更短（4.5），而正常文章的标题长度为 6。标题党之所以平均长度短，原因是大量使用缩写（you’ll, we’d），22%的标题党标题使用了缩写，正常文章的这个比例是 0.6%。
句法依赖：标题党和普通文章相比，单词之间的句法依赖度更长，原因是标题党的短语更为复杂。文章中的例子是 “A 22-Year-Old Whose Husband And Baby Were Killed By A Drunk Driver Has Posted A Gut-Wrenching Face- book Plea” 其中 22-Year-Old 和动词 Posted 之间隔了一个很长的形容词，句法依赖高达 12。

用词

停用词：标题党标题中的停用词更高（45%），正常文章一般只有 18%。
夸张用词：通过情感分析发现，标题党会使用大量非常正能量的词语（例如 Awe-inspiring），正常的文章的标题中几乎没有。
网络用语、语气词：这些在标题党的题目中经常出现。
主题词：一个有趣的发现是在标题党中，很多热门的主题会在不同的标题中反复出现，62% 的标题党中会出现排名前 40 的热门词，而只有 16% 的非标题党会出现排名前 40 的热门词。
限制性定语：标题党的文章喜欢用 their、my、which、these 来指代文章中的具体人物，限制性定语出现的比例与普通文章相比高很多（原因是会让读者更加好奇）。
所有格：标题党的文章通常使用第一、第二人称来称呼读者（I We You），而普通文章使用第三人称更多。

N-gram

标题党和非标题党文章中最常出现的 3-grams 或 4-grams 没有交集。
65%的标题党的标题中出现了高频次（top 0.05 % 的 n-gram），而非标题党文章只有 19%。

词性

非标题党会大量使用名词，标题党会使用更多的形容词、限定词和物主代词。
两者使用动词的方式也不太一样，非标题党用第三人称和过去完成时较多，标题党更偏向使用过去时和非第三人称。

数据集

非标题党的文章摘自 wikinews（18000篇）
标题党通过人工标注得到（7500篇）