社区问答中的专家发现：综述
信息检索
2018-04-24 v1 计算与语言
摘要
社区问答（CQA）的快速发展满足了用户对任何事物专业和个人知识的需求。在CQA中，一个核心问题是找到具有专业知识并愿意回答给定问题的用户。与传统方法相比，CQA中的专家发现往往表现出非常不同的挑战。稀疏数据和新的特征违反了传统推荐系统的基本假设。本文重点回顾和分类CQA中专家发现的当前进展。我们将所有现有解决方案分为四类：基于矩阵分解的模型（MF-based models）、基于梯度提升树的模型（GBT-based models）、基于深度学习的模型（DL-based models）和基于排序的模型（R-based models）。我们发现，在CQA专家发现领域，基于MF的模型优于其他类别的模型。此外，我们使用创新图表阐明了集成学习的几个重要概念，并发现具有几个特定单一模型的集成模型可以进一步提升性能。进一步，我们比较了不同模型在不同类型匹配任务上的性能，包括文本与文本、图与文本、音频与文本、视频与文本。结果有助于实践中专家发现的模型选择。最后，我们探讨了CQA专家发现研究中一些潜在的未来问题。
引用
@article{arxiv.1804.07958,
title = {Expert Finding in Community Question Answering: A Review},
author = {Sha Yuan and Yu Zhang and Jie Tang and Juan Bautista Cabotà},
journal= {arXiv preprint arXiv:1804.07958},
year = {2018}
}