点击次数：

所属单位：南京航空航天大学经济与管理学院

发表刊物：数据分析与知识发现

关键字：社区问答；专家推荐；BERT； Labeled-LDA； PageRank

摘要：【目的】 对用户历史问答文本实现考虑上下文语义信息的主题识别，进而提升问答社区专家推荐的准确度。【方法】 通过构建BERT-LLDA模型，将BERT模型与Labeled-LDA主题模型相结合，充分利用标签信息对用户历史问答文本进行向量化，通过降维和主题聚类实现考虑上下文语义信息的主题识别，获得用户的主题兴趣概率分布；根据主题兴趣挖掘结果构建主题敏感PageRank 算法（TSPR），并加入用户质量权重迭代计算用户的领域权威；基于此得到考虑主题兴趣和领域权威的问答社区专家推荐算法TIDARank，为新问题推荐潜在回答专家。【结果】 基于Stack Exchange 公开数据集，BERT-LLDA模型经过主题聚类后相比TF-IDF、BERT、BERT-LDA等对比模型具有更高的轮廓系数（0.575 6）和主题连贯性（0.476 6）；TIDARank 算法的最佳回答者命中率ACC@20 和平均倒数排名MRR@20 分别为0.580 7 和 0.243 0，相比于表现最优的对比模型Bi-LSTM+TSPR分别提升0.145 和0.081。【局限】 在链接分析中未考虑用户的活跃情况。【结论】 BERT-LLDA模型不仅可以优化主题聚类的效果，且有助于提升问答社区专家推荐的性能。

论文类型：期刊论文

卷号：8

期号：5

页面范围：68-79

是否译文：否

发表时间：2024-05-15

合写作者：肖琳,苟小义

通讯作者：米传民