利用社区问答系统中的领域效应提升答案价值度量
计算与语言
2019-07-16 v2 信息检索
摘要
在社区问答（CQA）领域，答案选择与答案排序是两项用于帮助用户快速获取有价值答案的任务。现有方案主要利用问题与其相关答案（Q&A）之间的句法或语义关联，而 CQA 中多方面的领域效应仍未被充分探索。本文提出一种统一模型——增强注意力循环神经网络（EARNN），通过充分利用 Q&A 语义与多方面领域效应（即主题效应与时效性）来完成答案选择与答案排序两项任务。具体而言，我们开发了序列化 LSTM 来学习 Q&A 的统一表示，其中设计了句子级与词级两种注意力机制以捕捉主题的深层效应。同时，Q&A 的重点可被自动区分。此外，我们设计了一种时间敏感排序函数以建模 CQA 中的时效性。为有效训练 EARNN，还开发了依赖于问题的成对学习策略。最后，我们在来自 Quora 的真实数据集上进行了大量实验。实验结果验证了所提 EARNN 模型的有效性与可解释性。
引用
@article{arxiv.1906.00156,
title = {Promotion of Answer Value Measurement with Domain Effects in Community Question Answering Systems},
author = {Binbin Jin and Enhong Chen and Hongke Zhao and Zhenya Huang and Qi Liu and Hengshu Zhu and Shui Yu},
journal= {arXiv preprint arXiv:1906.00156},
year = {2019}
}
备注
IEEE Transactions on Systems, Man, and Cybernetics: Systems