基于图的三重注意力网络用于社区问答中的答案排序
计算与语言
2021-03-23 v2
摘要
在基于社区的问答(CQA)平台中，针对给定问题的自动答案排序对于早期发现有潜在价值的答案至关重要。主流方法通过学习基于问题与答案表示之间的匹配程度以及回答者影响力来生成答案排序分数。然而，它们存在两个主要局限：(1) 同一问题下答案之间的相关性常被忽视。(2) 问题和回答者表示是在影响答案表示之前独立于具体答案构建的。为克服这些局限，我们设计了一种新颖的基于图的三重注意力网络，即GTAN，它有两个创新点。首先，GTAN提出为每个问题构建图，并通过图神经网络(GNNs)从各图中学习答案相关性。其次，基于从GNNs学到的表示，开发了一种交替三重注意力方法，通过注意力计算交替构建目标感知的回答者表示、答案特定的问题表示以及上下文感知的答案表示。GTAN最终整合上述表示以生成答案排序分数。在三个真实世界CQA数据集上的实验表明，GTAN显著优于当前最先进的答案排序方法，验证了网络架构的合理性。
引用
@article{arxiv.2103.03583,
title = {Graph-Based Tri-Attention Network for Answer Ranking in CQA},
author = {Wei Zhang and Zeyuan Chen and Chao Dong and Wen Wang and Hongyuan Zha and Jianyong Wang},
journal= {arXiv preprint arXiv:2103.03583},
year = {2021}
}
备注
9 pages (published in AAAI 2021)