基于问题增强的技术问答站点答案推荐
软件工程
2022-10-31 v1
摘要
软件开发者大量使用在线问答平台寻求帮助以解决技术问题。然而，这些技术问答站点的一大问题是“答案饥渴”，即大量问题未得到回答或解决，用户不得不长时间等待或费力浏览质量参差不齐的已有答案。为缓解这一耗时问题，我们提出一种基于 DeepAns 神经网络的新方法，从一组答案候选中识别最相关的答案。我们的方法遵循三阶段流程：问题增强、标签建立和答案推荐。给定一篇帖子，我们首先生成一条澄清性问题作为问题增强。我们通过标签建立自动构建正、中性+、中性-和负训练样本。在答案推荐阶段，我们根据基于神经网络的模型计算出的匹配分数对答案候选排序。为评估所提模型性能，我们在来自真实技术问答站点（即 Ask Ubuntu、Super User、Stack Overflow Python 和 Stack Overflow Java）的四个数据集上进行了大规模评估。实验结果表明，我们的方法在自动评估中显著优于若干 SOTA 基线。我们还针对 50 个已解决/未回答/未解决问题开展了用户研究。用户研究表明，我们的方法通过从历史归档中推荐最相关答案，能有效解决答案饥渴问题。
引用
@article{arxiv.2210.15846,
title = {Technical Q&A Site Answer Recommendation via Question Boosting},
author = {Zhipeng Gao and Xin Xia and David Lo and John Grundy},
journal= {arXiv preprint arXiv:2210.15846},
year = {2022}
}