通过对比学习主动优先处理应用问题

移动应用商店以用户评论的形式产生海量数据，这是用户需求与情感的重要来源；此类评论使应用开发者能够主动处理其应用中的问题。然而，只有少数评论反映了共性问题与情感，这就需要自动识别重要评论。遗憾的是，现有文本排序与热度预测工作多聚焦于具备其他信号的社交语境，导致这类工作在处理应用评论时效果不佳。本文提出新框架 PPrior，通过识别重要评论（给定时间窗内预测将获得大量投票的评论）来实现应用问题的主动优先处理。预测高票评论具有挑战性，因为与社交帖子不同，用户的社交网络特征不可用。此外还存在类别不平衡问题，因为大量用户评论极少或没有投票。PPrior 采用预训练 T5 模型并分三阶段工作。阶段一以自监督方式将预训练 T5 模型适配到用户评论数据。阶段二利用对比训练学习通用且与任务无关的评论表征。阶段三使用半径邻域分类器做出最终预测，该阶段还使用 FAISS 索引以保证可扩展性与高效搜索。为开展充分实验，我们从 Google Play 获取了超过 210 万条用户评论的大规模数据集。实验结果表明，与多种 SOTA 方法相比，所提框架有效。且 PPrior 预测重要评论的准确率可与有经验的开发者相媲美。