CN110321421A - 用于网站知识社区***的专家推荐方法及计算机存储介质 - Google Patents
用于网站知识社区***的专家推荐方法及计算机存储介质 Download PDFInfo
- Publication number
- CN110321421A CN110321421A CN201910598556.8A CN201910598556A CN110321421A CN 110321421 A CN110321421 A CN 110321421A CN 201910598556 A CN201910598556 A CN 201910598556A CN 110321421 A CN110321421 A CN 110321421A
- Authority
- CN
- China
- Prior art keywords
- user
- question
- answer
- expert
- representing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 238000013016 damping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000007812 deficiency Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000007704 transition Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于网站知识社区***的专家推荐方法及计算机存储介质，首先获取知识问答社区的数据集并进行预处理，将数据集中各用户提问的问题和回答的答案合并为用户文本，使用深度结构化语义模型对社区中的文本进行语义层面的分析，根据文本语义相似度值的大小生成候选专家群并构建用户问答关系有向图，然后使用改进的主题敏感性排序算法对有向图进行链接分析，计算各用户的权威度值，选出权威度值最高的TOP‑N个结果。本发明解决了目前的推荐方法准确性不高、推荐的专家权威性有限和专家提供回复不及时等不足，该方法推荐的专家不仅具有较高的兴趣度和专长度，而且还有一定的权威性。
Description
技术领域
本发明涉及一种专家推荐方法及计算机存储介质，特别是涉及一种用于网站知识社区***的专家推荐方法及计算机存储介质。
背景技术
知识问答社区是一种新的Web应用，用户可以通过在社区中以提问和回答问题的方式进行知识交流。在知识问答社区诞生之前，人们主要使用搜索引擎主动的从网上获取信息。搜索引擎的核心在于关键字匹配，但是由于关键字属于短文本，基本上无法对其进行语义分析，从而导致大量的搜索结果与用户的意图存在偏差。并且搜索引擎返回的结果太多，用户很难快速准确的找到自己所需信息。而在知识问答社区中，用户通过以自然语言的形式提出具体详细的问题并且可以从其他用户那里获取答案来满足自己的需求。但是，随着社区中用户数量指数级的增长，新问题的潜在回答者往往需要花费大量的时间和精力来寻找自己感兴趣并且有能力回答的问题，社区中新问题的提问者需要花费几个小时甚至几天的时间来等待问题被回答。目前，大部分的知识问答社区都存在着一个普遍的现象：有很多问题长期无人回复并且这些问题的数量与日俱增。
运用面向网站知识社区***的专家推荐方法是解决上述问题的有效途径，目前的方法主要分为三种：第一种是根据社区中用户之间的交互关系构建用户问答关系有向图，然后使用基于图的排序算法实现专家推荐。第二种是利用社区中丰富的文本特征数据，利用主题模型及其优化模型对文本进行语义分析。第三种是将基于图的排序算法和基于文本的语义分析技术联合使用。这些方法虽然取得了一定的效果，但是普遍存在以下几个问题：
1、对传统的基于图的排序算法进行改进时忽略了用户回答问题的平均响应时间，从而导致了推荐的专家用户提供回复不够及时；
2、在对社区中文本进行语义分析大多采用隐含狄利克雷分布(Latent DirichletAllocation，LDA)模型及其优化模型，但这些模型的泛化能力比较弱，严重影响了推荐结果的准确性；
3、在构建随机概率转移矩阵的权重时，考虑的因素过于单一，导致推荐的专家权威性有限。
发明内容
发明目的：本发明要解决的技术问题是提供一种用于网站知识社区***的专家推荐方法及计算机存储介质，解决了目前的推荐方法准确性不高、推荐的专家权威性有限和专家提供回复不及时等不足，该方法推荐的专家不仅具有较高的兴趣度和专长度，而且还有一定的权威性。
技术方案：本发明所述的用于网站知识社区***的专家推荐方法，包括以下步骤：
(1)获取知识问答社区的数据集并进行预处理，；
(2)将数据集中各用户提问的问题和回答的答案合并为用户文本；
(3)建立深度结构化语义模型并进行训练，使用训练好的深度结构化语义模型计算问题文本和用户文本之间的相关度，根据相关度的大小筛选出候选专家群；
(4)针对步骤(3)中的候选专家群，构建用户问答关系有向图；
(5)针对步骤(4)中的用户问答关系有向图运用排序算法进行链接分析，计算各用户的权威度值，选出权威度值最高的TOP-N个结果。
进一步的，步骤(5)中的计算各用户的权威度值具体为：
其中，A(uj)表示用户j的权威度值，A(ui)表示用户ui的权威度值，β是阻尼因子，N′表示构造的有向图中节点的个数，e表示从用户ui出发到用户uj构成的有向边，表示用户ui到用户uj的权重，∑ui表示用户ui到所有用户的权重和。
进一步的，所述权重的公式为：
其中，Nij表示用户uj累计回答用户ui问题的个数，表示用户uj回答用户ui提出的问题的难度值，Tavg表示用户uj对用户ui提出的问题的平均响应时间。
进一步的，所述难度值的公式为：
其中，表示用户uk回答用户ui问题的时刻，表示用户ui提出问题的时刻，N表示用户ui提出的问题获得的答案总数。
进一步的，所述平均响应时间Tavg的公式为：
其中，Tjk表示用户uj回答用户ui提出的第k个问题的时刻，Tik表示用户ui提出第k个问题的时刻，Nij表示用户uj回答用户ui提出的问题总数。
进一步的，构建用户问答关系有向图的方法为：从所有提出问题的用户出发建立链接，链接方向指向为该问题提供答案的用户。
本发明所述的计算机存储介质，其上存储有计算机程序，所述计算机程序在被计算机处理器执行时实现上述用于网站知识社区***的专家推荐方法。
有益效果：本发明具有以下技术效果：
1、本发明在对问题文本和用户文本进行语义分析时，运用了深度结构化语义分析模型。在使用深度结构化语义分析模型后，运用主题敏感性回答者排序算法对由候选专家构建的用户问答关系有向图进行链接分析。本专家推荐方法具有很好的普适性，在不同的知识问答社区均可实现精准的专家推荐。
2、本发明专家推荐方法可以统一部署在服务器端，根据用户的需求在不同的客户端进行专家推荐结果展示。
3、本发明专家推荐方法推荐的候选专家不仅具有一定的权威性，而且对具体的问题也具备较高的专业性，有效的改善了知识问答社区的用户体验，提高了用户满意度。
附图说明
图1是本发明实施方式方法的流程图；
图2是本发明实施方式中深度结构化语义模型训练流程图；
图3是本发明实施方式中用户问答关系有向图。
具体实施方式
本发明提出的用于网站知识社区***的专家推荐方法，首先使用深度结构化语义模型进行文本分析，然后使用主题敏感性专家排序算法对用户问答关系有向图进行深入的链接分析，最后对链接分析的结果进行降序排序并生成推荐专家列表。具体的实施方式如图1所示，包括以下步骤：
步骤1，首先整体获取知识问答社区(如：Yahoo！Answers,Stack Overflow)的数据集并对其进行预处理。预处理主要包括以下几个子步骤：1.1处理原始数据集中冗余的信息，去除文本中的停用词(Stop Words)以及标点符号；1.2进一步对文本进行分割，将其分割为词或字母并转换成向量，抽取词或字母的元组，再将每个元组转换成向量。
然后将分散的用户交互历史行为数据以问题-答案为中心进行重新整理，将用户在社区中新提出的问题标记为问题文本，将用户曾经提问的问题和回答的答案合并成一个文本并标记为用户文本。
步骤2，对深度结构化语义模型(DSSM)进行训练，如图2所示，按照如下步骤2.1至2.4，然后利用训练好的模型计算问题文本和用户文本之间的相关性，根据相关性值的大小生成候选专家群。
步骤2.1定义损失函数。通过极大似然估计，最小化损失函数，公式如下：
其中，Uk是提供答案的专家集合，Q表示社区中用户提出的问题，Pr表示条件概率，Wi表示第i层的权值矩阵，bi表示第i层的偏差。
步骤2.2反向传播，更新权值参数。在表示层的深度神经网络中，残差进行反向传播，运用随机梯度下降算法使模型收敛，得到各网络层的参数{wi,bi}，获取文本语义特征的公式为：
其中，xhi(k)表示在时刻K哈希后的输入值，i从0到m，Wi(k)表示在时刻k的权重值，b是偏差值，F是激活函数，y(k)表示在时刻Wi(k)的输出值。隐藏层和输出层之间的激活函数为：
步骤2.3通过上式得到语义特征y(k)后，接下来用余弦相似度公式计算用户文本和问题文本之间的相似性，公式如下：
其中，yQ,yU分别表示问题文本和用户文本的概念向量。
步骤2.4用归一化指数函数(softmax)计算后验概率。用归一化指数函数，将计算社区中新提出的问题文本和社区中已经存在的用户文本之间的语义相似性得分转化为一个求后验概率的问题，公式如下：
其中，U表示用户文本，Q表示问题文本，N是样本空间中U的数量，yQ表示输出层问题文本向量，yU表示输出层用户文本向量，表示第n个用户输出层的用户文本向量。
步骤3，针对候选专家群构建用户问答关系有向图，从所有提出问题的用户出发建立链接，链接方向指向为该问题提供答案的用户。以图3所示的6个用户为例，用户u1提出了问题q1和q3，用户u2提供了答案a1，用户u4提供了答案a3，这样用户u1和用户u2之间建立一个链接，由u1指向u2；用户u1和用户u4之间建立一个链接，由u1指向u4。用户u2提出了问题q2和q4，用户u3提供了答案a2，用户u4提供了答案a4，这样用户u2和u3之间建立了一个链接，由u2指向u3；用户u2和u4之间建立了一个链接，由u2指向u4。用户u3提出了问题q6，用户u5提供了答案a6，这样用户u3和u5之间建立了一个连接，由u3指向u5。用户u4提出了问题q5，用户u6提供了答案a5，这样用户u4和u6之间建立了一个链接，由u4指向u6。过滤掉问题和答案之间的关系，直接转化成只包含用户节点的用户问答关系有向图。
步骤4，使用主题敏感性回答者排序算法(TSAR)对用户问答关系有向图进行链接分析，按照如下步骤4.1至4.2计算各用户的权威度值，选出权威度值最高的TOP-N个结果，即选出权威度值最高的N个用户作为最终推荐的专家列表。
步骤4.1将用户问答问题的数量、问题的难度值和回答问题的平均响应时间量化为随机转移概率矩阵的权重，权重的计算公式为：
其中，Nij表示用户uj累计回答ui问题的个数，表示用户提出的问题难度值，Tavg表示用户uj对ui提出的问题的平均响应时间。用户提出的问题难度值的公式为：
其中，表示用户uj回答用户ui提出的问题的难度值，表示用户uk回答问题ui的时间，表示用户ui提出问题的时间，N表示ui提出的问题获得的答案总数。用log函数解决难度值的长尾分布问题。用户uj对ui提出的问题的平均响应时间Tavg的公式为：
其中，Tjk表示用户uj回答用户ui的第k个问题的时刻，Tik表示用户ui提出第k个问题的时刻，Nij表示用户uj回答用户ui提出的问题总数。
步骤4.2迭代计算用户的权威度，用户的权威度计算公式为：
其中β是阻尼因子，N′表示构造的有向图中节点的个数，表示ui到uj的权重，∑ui表示ui到所有用户的权重和。
本实施方式的方法将文本语义分析技术和改进的主题敏感性排序算法联合使用。首先使用经典的深度结构化语义模型(DSSM)对社区中的文本进行语义层面的分析，根据文本语义相似度值的大小生成候选专家群并构建用户问答关系有向图；然后使用改进的主题敏感性排序算法对有向图进行链接分析，该算法在构建随机概率转移矩阵的过程中充分考虑了用户回答问题的数量、问题的难度系数值和用户回答问题的平均响应时间，解决了已有方法推荐准确性低和专家提供回复不及时等问题，该方法推荐的专家不仅具有较高的兴趣度和专长度，而且还有一定的权威性。本方法可以应用于对知识问答社区中新提出的问题进行专家推荐。例如，在Yahoo！Answers知识问答社区中用户提交了一个自己困惑的并急于获取答案的问题，该方法可以为其推荐有能力有兴趣解决该问题并且可以及时回复的专家，使用本方法可以提高知识问答社区的运转效率，有效改善用户的问答体验。
本发明实施例如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本发明实例不限制于任何特定的硬件和软件结合。
相应的，本发明的实施方式还提供了一种计算机存储介质，其上存储有计算机程序。当所述计算机程序由处理器执行时，可以实现前述用于网站知识社区***的专家推荐方法。例如，该计算机存储介质为计算机可读存储介质。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (7)
1.一种用于网站知识社区***的专家推荐方法，其特征在于，包括以下步骤：
(1)获取知识问答社区的数据集并进行预处理；
(2)将数据集中各用户提问的问题和回答的答案合并为用户文本；
(3)建立深度结构化语义模型并进行训练，使用训练好的深度结构化语义模型计算问题文本和用户文本之间的相关度，根据相关度的大小筛选出候选专家群；
(4)针对步骤(3)中的候选专家群，构建用户问答关系有向图；
(5)针对步骤(4)中的用户问答关系有向图运用排序算法进行链接分析，计算各用户的权威度值，选出权威度值最高的TOP-N个结果。
2.根据权利要求1所述的用于网站知识社区***的专家推荐方法，其特征在于：步骤(5)中的计算各用户的权威度值具体为：
其中，A(uj)表示用户uj的权威度值，，A(ui)表示用户ui的权威度值，β是阻尼因子，N′表示构造的有向图中节点的个数，e表示从用户ui出发到用户uj构成的有向边，表示用户ui到用户uj的权重，∑ui表示用户ui到所有用户的权重和。
3.根据权利要求2所述的用于网站知识社区***的专家推荐方法，其特征在于，所述权重的公式为：
其中，Nij表示用户uj累计回答用户ui问题的个数，表示用户uj回答用户ui提出的问题的难度值，Tavg表示用户uj对用户ui提出的问题的平均响应时间。
4.根据权利要求3所述的用于网站知识社区***的专家推荐方法，其特征在于，所述难度值的公式为：
其中，表示用户uk回答用户ui问题的时刻，表示用户ui提出问题的时刻，N表示用户ui提出的问题获得的答案总数。
5.根据权利要求3所述的用于网站知识社区***的专家推荐方法，其特征在于，所述平均响应时间Tavg的公式为：
其中，Tjk表示用户uj回答用户ui的第k个问题的时刻，Tik表示用户ui提出第k个问题的时刻，Nij表示用户uj回答用户ui提出的问题总数。
6.根据权利要求1所述的用于网站知识社区***的专家推荐方法，其特征在于，构建用户问答关系有向图的方法为：从所有提出问题的用户出发建立链接，链接方向指向为该问题提供答案的用户。
7.一种计算机存储介质，其上存储有计算机程序，其特征在于：所述计算机程序在被计算机处理器执行时实现权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910598556.8A CN110321421B (zh) | 2019-07-04 | 2019-07-04 | 用于网站知识社区***的专家推荐方法及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910598556.8A CN110321421B (zh) | 2019-07-04 | 2019-07-04 | 用于网站知识社区***的专家推荐方法及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110321421A true CN110321421A (zh) | 2019-10-11 |
| CN110321421B CN110321421B (zh) | 2023-06-20 |
Family
ID=68122577
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910598556.8A Active CN110321421B (zh) | 2019-07-04 | 2019-07-04 | 用于网站知识社区***的专家推荐方法及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110321421B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111667200A (zh) * | 2020-07-09 | 2020-09-15 | 腾讯科技（深圳）有限公司 | 一种权威度确定方法、装置、设备及存储介质 |
| CN112434517A (zh) * | 2020-11-09 | 2021-03-02 | 西安交通大学 | 一种结合主动学习的社区问答网站答案排序方法及*** |
| CN112765326A (zh) * | 2021-01-27 | 2021-05-07 | 西安电子科技大学 | 一种问答社区专家推荐方法、***及应用 |
| CN112800208A (zh) * | 2021-01-21 | 2021-05-14 | 中国人民解放军国防科技大学 | 面向问答社区的问题审阅人自动化推荐方法及*** |
| CN114329184A (zh) * | 2021-12-03 | 2022-04-12 | 南京邮电大学 | 一种问答网站中专家推荐方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150032492A1 (en) * | 2013-07-24 | 2015-01-29 | Lithium Technologies, Inc. | Methods of Identifying Relevant Content and Subject Matter Expertise for Online Communities |
| CN108021616A (zh) * | 2017-11-06 | 2018-05-11 | 大连理工大学 | 一种基于循环神经网络的社区问答专家推荐方法 |
-
2019
- 2019-07-04 CN CN201910598556.8A patent/CN110321421B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150032492A1 (en) * | 2013-07-24 | 2015-01-29 | Lithium Technologies, Inc. | Methods of Identifying Relevant Content and Subject Matter Expertise for Online Communities |
| CN108021616A (zh) * | 2017-11-06 | 2018-05-11 | 大连理工大学 | 一种基于循环神经网络的社区问答专家推荐方法 |
Non-Patent Citations (3)
| Title |
|---|
| ERIKS SNEIDERS 等: "Automated FAQ Answering with", 《2009 2ND CONFERENCE ON HUMAN SYSTEM INTERACTIONS》 * |
| 周蓓蓓;明晓乐;孙婷婷;: "知识社区中用户问题分配方法与实现" * |
| 颜昕 等: "基于自然语言处理的医疗健康问答***", 《通讯世界》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111667200A (zh) * | 2020-07-09 | 2020-09-15 | 腾讯科技（深圳）有限公司 | 一种权威度确定方法、装置、设备及存储介质 |
| CN111667200B (zh) * | 2020-07-09 | 2023-09-19 | 腾讯科技（深圳）有限公司 | 一种权威度确定方法、装置、设备及存储介质 |
| CN112434517A (zh) * | 2020-11-09 | 2021-03-02 | 西安交通大学 | 一种结合主动学习的社区问答网站答案排序方法及*** |
| WO2022095573A1 (zh) * | 2020-11-09 | 2022-05-12 | 西安交通大学 | 一种结合主动学习的社区问答网站答案排序方法及*** |
| CN112434517B (zh) * | 2020-11-09 | 2023-08-04 | 西安交通大学 | 一种结合主动学习的社区问答网站答案排序方法及*** |
| US11874862B2 (en) | 2020-11-09 | 2024-01-16 | Xi'an Jiaotong University | Community question-answer website answer sorting method and system combined with active learning |
| CN112800208A (zh) * | 2021-01-21 | 2021-05-14 | 中国人民解放军国防科技大学 | 面向问答社区的问题审阅人自动化推荐方法及*** |
| CN112765326A (zh) * | 2021-01-27 | 2021-05-07 | 西安电子科技大学 | 一种问答社区专家推荐方法、***及应用 |
| CN114329184A (zh) * | 2021-12-03 | 2022-04-12 | 南京邮电大学 | 一种问答网站中专家推荐方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110321421B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110321421B (zh) | 用于网站知识社区***的专家推荐方法及计算机存储介质 | |
| CN108021616B (zh) | 一种基于循环神经网络的社区问答专家推荐方法 | |
| CN106570708B (zh) | 一种智能客服知识库的管理方法及*** | |
| US9990609B2 (en) | Evaluating service providers using a social network | |
| US20180131645A1 (en) | Systems and processes for operating and training a text-based chatbot | |
| CN111708873A (zh) | 智能问答方法、装置、计算机设备和存储介质 | |
| CN109635083B (zh) | 一种用于搜索ted演讲中话题式查询的文档检索方法 | |
| CN107832326B (zh) | 一种基于深层卷积神经网络的自然语言问答方法 | |
| US12020267B2 (en) | Method, apparatus, storage medium, and device for generating user profile | |
| CN111143684B (zh) | 基于人工智能的泛化模型的训练方法及装置 | |
| CN105917364A (zh) | 对问答论坛中讨论话题的排名 | |
| US11636411B2 (en) | Apparatus for determining role fitness while eliminating unwanted bias | |
| CN111581545A (zh) | 一种召回文档的排序方法及相关设备 | |
| CN111552773A (zh) | 一种阅读理解任务中是否类问题关键句寻找方法及*** | |
| Li et al. | A hybrid model for experts finding in community question answering | |
| CN116992007B (zh) | 基于问题意图理解的限定问答*** | |
| Arai et al. | Predicting quality of answer in collaborative Q/A community | |
| CN113515699B (zh) | 信息推荐方法及装置、计算机可读存储介质、处理器 | |
| CN110390050B (zh) | 一种基于深度语义理解的软件开发问答信息自动获取方法 | |
| CN115860283B (zh) | 基于知识工作者画像的贡献度预测方法及装置 | |
| CN108959467B (zh) | 一种基于强化学习的问句和答案句相关度的计算方法 | |
| CN115934899A (zh) | 一种it行业简历推荐方法、装置、电子设备及储存介质 | |
| Chavula et al. | Intercomprehension in retrieval: User perspectives on six related scarce resource languages | |
| He et al. | Research on the quality prediction of online Chinese question answering community answers based on comments | |
| CN116414940A (zh) | 标准问题的确定方法、装置及相关设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |