标题党新闻是人们生活中常见的一种低质资讯,标题党新闻过多地充斥会影响人们阅读新闻的主动性,压缩优质内容生产者的生存空间,也对新闻本身强调的真实性和可靠性有所影响,如果不对标题党新闻加以限制,未来将会成为谣言和虚假新闻的温床。本文针对标题党新闻泛滥的现象,就标题党新闻检测方法进行了探索。意在研究出一种面向真实新闻能够有效识别出新闻是否是标题党新闻的算法。通过比较国内外对于标题党新闻整治所采用的方法,总结并分析了从不同角度、不同方法进行标题党新闻检测的优劣。本文面向真实的新闻构建了自用实验数据集,自主实现了数据采集、数据组织、数据标注、数据清洗及修正等一系列完整的数据集构建流程。并对标题党新闻进行了细粒度的划分,针对不同类型的标题党新闻的特点,总结并设计了标题党新闻的7种子类。并使用规则、基于新闻标题和新闻正文主题词的文本相似度、基于文本摘要的深度学习文本分类模型等方法,就标题党新闻检测进行了对比实验。本文根据知识工程及标注经验构建了一套规则模板,该规则可以有效识别出非标题党新闻。针对新闻标题与新闻正文长度差异过大的特点,采用从新闻正文中抽取主题词,并计算新闻标题与主题词余弦距离的方式来衡量新闻标题与新闻主体信息的关系。针对预训练模型输入长度的限制,本文采用文本摘要的方式进行后续训练任务,重点介绍了生成式摘要和抽取式摘要两种文本摘要方式,并进行了对比实验。最后将以上几种方式进行融合,搭建了多策略融合的标题党新闻检测模型。在模型搭建完成后,进行了多轮对比实验,比较了本文所提出方法的实验效果。通过实验结果来看,基于多策略融合的标题党新闻检测模型表现效果最好,对于标题党新闻的检测准确率较高。并对标题党新闻进行更细粒度的二次分类,检验模型对于细化标题党新闻的准确性。