基于兴趣和专业度建模的CQA专家发现方法

现有问答社区专家发现方法通过学习用户解答的问题序列单向信息建模用户兴趣,忽略了用户兴趣的波动性,对于解答过较少问题的用户建模准确度将受到影响,此外,未考虑历史回答与问题的语义相关性对评估用户表现的作用。论文提出基于兴趣和专业度建模的CQA专家发现方法,首先,使用BERT4Rec学习用户近期解答的问题序列双向信息得到近期动态兴趣表示;其次,构建用户社交网络,使用DeepWalk算法学习网络结构特征,得到用户长期兴趣表示;再次,构建用户专业度评估网络,依据用户回答与问题的语义相关性及反馈信息计算权重,对相应问题进行加权,引入注意力机制,重点关注用户在与新问题相近问题上的表现,得到用户专业度表示;最后,综合用户近期动态兴趣、长期兴趣和专业度表示与新问题进行匹配打分,为新问题找出有意愿接受邀请并能提供优质回答的用户。实验表明,该方法取得了较好表现,较基线方法在英语、3D打印和天涯问答数据集的MRR评价指标上分别提升了5.2%、2.7%、16.1%。

融合动态兴趣偏好与特征信息的序列推荐

传统的序列推荐通常忽略用户和项目特征信息的重要性,且无法有效对动态的兴趣偏好进行建模.因此,提出融合动态兴趣与特征信息的序列推荐算法.该算法通过对目标项目进行动态兴趣建模,克服兴趣转移带来的影响;同时融合用户和项目特征信息模拟真实的用户行为以提高推荐的性能.首先,针对动态兴趣建模,采用辅助函数应用下一个行为监督上一个隐藏兴趣状态的学习,并采用带注意力机制的门控循环单元为不同的兴趣状态对目标影响程度赋予不同的权重;然后,针对用户和项目特征信息特征融合,采用平凡注意力机制为影响目标项目的特征赋予不同的权重,并通过多头注意力机制进行深层次的特征提取;最后,融合用户动态兴趣表示和用户项目特征表示输入到多层感知机.在Yelp和MovieLens-1M数据集上进行仿真实验,结果表明提出模型的性能比一些基线模型有较好的提升.