面向社區(qū)問(wèn)答的專(zhuān)家推薦技術(shù)研究.pdf

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

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

3、推薦專(zhuān)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(wèn)答社區(qū)中問(wèn)題和答案的隱含主題前，使用維基百科和Stack Overflow數(shù)據(jù)對(duì)問(wèn)題標(biāo)簽進(jìn)行語(yǔ)義擴(kuò)充解決社區(qū)問(wèn)答系統(tǒng)固有的短文本問(wèn)題；第二，與以往的主題模型不同，Tag-Topic Model主題模型通過(guò)詞項(xiàng)共現(xiàn)和標(biāo)簽共現(xiàn)來(lái)共同確定主題，提高主題分析模型提取問(wèn)題和答案中隱含的主題信息的準(zhǔn)確度；第三，混合專(zhuān)家推薦模型使用基于話(huà)題敏感PageRank算法

4、改進(jìn)得到的話(huà)題敏感性專(zhuān)家排序算法，根據(jù)用戶(hù)社區(qū)問(wèn)答的網(wǎng)絡(luò)結(jié)構(gòu)和用戶(hù)反饋信息來(lái)計(jì)算用戶(hù)的權(quán)威度；第四，綜合用戶(hù)興趣和專(zhuān)家度來(lái)計(jì)算用戶(hù)與新問(wèn)題之間的推薦指數(shù)，最終得到新問(wèn)題的專(zhuān)家排序列表。
　　為評(píng)估混合專(zhuān)家推薦模型的實(shí)際性能，本文在Stack Overflow開(kāi)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(huà)題敏感性專(zhuān)家排序算法的排序性能以及與混合專(zhuān)家推薦模型的整體性能。實(shí)驗(yàn)結(jié)果