基于学习者求助行为的论坛回答者推荐研究

在在线学习环境中,依据学习者的行为为其推荐合适的问题回答者,可有效提高其学习效果.目前许多的问题回答者推荐研究考虑到了问答数据,但没有考虑行为因素对推荐问题回答者的影响.本文结合问答数据与学生行为数据,提出了一种论坛问题回答者的推荐方法.该方法的基本思路是:获取学习者求助行为类别;根据学习者求助行为类别为其推荐论坛问题回答者.为此,采用聚类算法处理学习者的求助行为数据并得到该学习者求助行为类别标签;采用此学习者求助行为数据和求助行为类别标签作为训练数据,训练朴素贝叶斯模型,从而自动识别新的学习者求助行为的类别;在此基础上,提出使用卷积神经网络方法构建论坛回答者推荐模型.通过对采集到的在线学习求助行为数据进行实验,说明了该方法能为学习者有效推荐合适的论坛回答者.

在线问答社区——海川化工论坛的回答者推荐算法

推荐系统已经在开发者社区Stack Overflow以及知乎、百度知道等热门问答社区发挥了重要作用,也即将成为海川化工论坛提高问答效率的关键技术。海川化工论坛作为国内最大的化工问答社区,问题不能得到及时有效的解答主要由于2大难点:稀疏性和冷启动。本文提出一种融合DeepFM与矩阵分解的混合推荐方法。算法以DeepFM作为辅助算法,矩阵分解作为主算法,通过结合用户的个人特征与问题的自身特征为论坛中的新问题推荐合适的回答者,可有效解决社区中的问题冗余。通过计算测试集的均方根误差与平均绝对误差,进一步验证本文提出的方法在海川化工论坛的有效性和可行性。

基于数据挖掘的专业可信回答者个性化推荐——以Stack Overflow问答社区为例

针对问答社区中问题不能得到及时、有效解答的现状,文章以Stack Overflow问答社区为例,首先介绍了问答社区数据的采集与预处理情况;然后,通过挖掘学习者信息,得到专业可信回答者、高信誉回答者和徽章回答者三种潜在回答者;最后,实施了三种回答者推荐并对比了推荐性能。实验结果表明,与高信誉回答者推荐和徽章回答者推荐相比,考虑回答质量和专业相关性的专业可信回答者推荐具有更高的准确率和召回率,其推荐性能更优。实施基于数据挖掘的专业可信回答者个性化推荐,能有效缓解问答社区的信息过载问题,有助于建设更高效的网络学习社区环境。