一种基于特征融合与评分反馈的CQA专家推荐方法

摘要

基于社区问答CQA(community-based question and answering)的知识分享已成为互联网时代的主流交互平台,然而随着大量用户参与和大量问题的涌入,普遍存在问题回复慢而领域专家又难以发现合适的问题回答的“回答饥饿”(answer hungry)现象。已有的专家推荐方法多基于提问者、问题、答案、回答者、社交网络等中的局部视角进行特征提取,并没有分析哪一类特征或特征组合是所需的推荐特征;同时,采用机器学习或深度学习进行专家推荐时,其推荐标签特征仅区别“best answer”和非“best answer”,而不能评价非“best answer”的回答者真实知识水平,存在推荐质量不高问题。本工作充分利用用户对答案的反馈评价作为答案质量细粒度评分,设计一种考虑特征组合与交互的FM回归模型进行专家推荐,并在此基础上评价每类特征在专家推荐的作用。在爬取的Stack Overflow数据集上,按真实时间序列进行专家推荐,较主流基准算法有不同程度提升,也实证了提问者、问题、答案、回答者这几类特征组合对专家推荐的价值。