面向社区问答平台答案选择的诱导多关系框架
社会与信息网络
2019-11-19 v1 机器学习
摘要
本文探讨在社区问答（CQA）论坛上识别某问题最佳候选答案的问题。该问题十分重要，因为个人常访问CQA论坛以寻求细致问题的答案。我们提出了一种新颖的诱导关系图卷积网络（IR-GCN）框架来解决该问题。我们做出三点贡献。首先，我们引入了一个模块化框架，将图的构建与标签选择机制分离。我们利用等价关系诱导出由团组成的图，并识别出两种标签分配机制——标签对比、标签共享。随后，我们展示了如何将这些分配机制编码进GCN中。其次，我们表明编码对比会产生判别性放大——增强嵌入空间中节点间的分离度。第三，我们展示了一个令人惊讶的结果——对于神经架构，提升（boosting）技术优于常见的堆叠、融合或聚合方法。我们在50个StackExchange社区上的大量实验中展示了相对于最先进神经基线的强劲结果。
引用
@article{arxiv.1911.06957,
title = {An Induced Multi-Relational Framework for Answer Selection in Community Question Answer Platforms},
author = {Kanika Narang and Chaoqi Yang and Adit Krishnan and Junting Wang and Hari Sundaram and Carolyn Sutter},
journal= {arXiv preprint arXiv:1911.06957},
year = {2019}
}