面向社區(qū)問答的專家推薦技術(shù)研究.pdf

1、社區(qū)問答系統(tǒng)在互聯(lián)網(wǎng)時(shí)代扮演著越來越重要的角色，用戶通過社區(qū)問答系統(tǒng)來獲取知識(shí)、分享知識(shí)的比例越來越高。社區(qū)問答系統(tǒng)用戶數(shù)的增長一方面擴(kuò)充知識(shí)庫的資源，另一方面也帶來了一系列影響用戶體驗(yàn)的問題，比如：隨著提問者的增多，很多問題不能夠及時(shí)的推薦給合適的回答者來回答而造成提問者等待最佳答案產(chǎn)生的時(shí)間過長；回答者收到很多自己不感興趣的問題，進(jìn)而造成用戶流失；很多問題缺乏準(zhǔn)確的答案，使得其他用戶在搜索問題時(shí)很難找到自己想要的信息，則會(huì)選擇重新提

2、問以期得到更好的答案，從而造成系統(tǒng)中相似問題數(shù)急劇增加。面向社區(qū)問答的專家推薦技術(shù)研究的主要目標(biāo)是應(yīng)對社區(qū)問答系統(tǒng)中用戶數(shù)增加帶來的挑戰(zhàn)，為新問題推薦合適的專家用戶能夠從根本上提升問答社區(qū)的服務(wù)質(zhì)量。
　　針對社區(qū)問答用戶數(shù)量大、問題和答案包含實(shí)詞數(shù)較少的問題，本文提出一種基于主題分析和鏈接分析的混合專家推薦模型，首先使用主題分析方法確定與新問題主題相似度較高的用戶列表，然后使用鏈接分析的方法對該候選列表中的用戶進(jìn)行排序，確定最優(yōu)

3、推薦專家列表。主要工作有：第一，該模型使用Tag-Topic Model主題模型在提取問答社區(qū)中問題和答案的隱含主題前，使用維基百科和Stack Overflow數(shù)據(jù)對問題標(biāo)簽進(jìn)行語義擴(kuò)充解決社區(qū)問答系統(tǒng)固有的短文本問題；第二，與以往的主題模型不同，Tag-Topic Model主題模型通過詞項(xiàng)共現(xiàn)和標(biāo)簽共現(xiàn)來共同確定主題，提高主題分析模型提取問題和答案中隱含的主題信息的準(zhǔn)確度；第三，混合專家推薦模型使用基于話題敏感PageRank算法

4、改進(jìn)得到的話題敏感性專家排序算法，根據(jù)用戶社區(qū)問答的網(wǎng)絡(luò)結(jié)構(gòu)和用戶反饋信息來計(jì)算用戶的權(quán)威度；第四，綜合用戶興趣和專家度來計(jì)算用戶與新問題之間的推薦指數(shù)，最終得到新問題的專家排序列表。
　　為評(píng)估混合專家推薦模型的實(shí)際性能，本文在Stack Overflow開放的海量數(shù)據(jù)集上做了充分的實(shí)驗(yàn)，評(píng)估實(shí)驗(yàn)分別驗(yàn)證了Tag-Topic Model主題模型的泛化能力、話題敏感性專家排序算法的排序性能以及與混合專家推薦模型的整體性能。實(shí)驗(yàn)結(jié)果