超越静态：基于社区问答中对话的相关问题检索
信息检索
2026-04-28 v1 人工智能
计算与语言
摘要
在类似 Stack Overflow 这样的社区问答（cQA）平台上，相关问题检索被认定为一个基础任务，允许用户自动检索与用户查询相关的答案。尽管提出了许多传统方法来探索这一研究领域，但它们大多依赖于静态方法，忽视了交互属性。我们认为，对话方式能够很好地区分问题的细粒度表征，并且具有提高问题检索性能的巨大潜力。本文提出了一个通过对话进行相关问题检索的模型，称为 TeCQR，以在 cQA 中定位相关问题。具体而言，我们通过利用标签增强的澄清问题（CQs）构建对话。此外，我们设计了一种噪声容忍模型，用于评估问题与标签之间的语义相似性，从而有效处理噪声反馈。此外，提出了标签增强的两阶段离线训练，以充分挖掘用户查询、问题和标签之间的相互关系，以学习它们的细粒度表征。基于所学表征和上下文对话，TeCQR 通过学习以标签增强澄清问题来检索相关问题。实验结果表明，我们的模型显著优于最先进的基线方法。
引用
@article{arxiv.2604.22759,
title = {Beyond Static: Related Questions Retrieval Through Conversations in Community Question Answering},
author = {Xiao Ao and Jie Zou and Yibiao Wei and Peng Wang and Weikang Guo},
journal= {arXiv preprint arXiv:2604.22759},
year = {2026}
}
备注
9 pages. Accepted at AAAI 2026