上下文与用户历史联合作用于在线对话重入预测

随着在线世界持续指数级增长，人际交流在观点形成与改变中扮演着日益核心的角色。为了帮助用户更好地在线互动，我们研究了一个具有挑战性的问题——重入预测，即预见用户是否会回到他们曾参与过的对话中。我们假设正在进行对话的上下文以及用户先前的聊天历史都会影响他们未来参与的持续兴趣。具体而言，我们提出了一个具有三个主要层的神经框架，分别建模上下文、用户历史以及二者之间的交互，以探究对话上下文与用户聊天历史如何共同导致他们的重入行为。我们在从 Twitter 和 Reddit 收集的两个大规模数据集上进行了实验。结果表明，我们提出的带有双注意力的框架在 Twitter 对话上取得了 61.1 的 F1 分数，优于先前工作中的最优方法。