互动问答系统中问题回答者推荐研究

摘要

随着问答社区的发展，越来越多的互联网用户通过问答社区获取所需信息。然而，由于问答社区中的海量信息，提问者不得不长时间等待其他用户的回答。因此，有必要研究一种推荐机制，以快速找到问题回答者，提高问题解决效率。
　　 针对上述问题，本文在对问题回答者推荐相关研究进行深入分析的基础上，针对现有研究的不足，提出了一种综合考虑用户兴趣、用户专长以及用户活跃度等多个因素的问题回答者推荐算法。首先，本文使用统计语言模型对用户兴趣进行建模，用以寻找问题的感兴趣回答者群体。但由于问答社区内用户回答问题的答案质量参差不齐，回答问题多的用户并不一定适合作为推荐用户。因此，利用最大熵模型对用户回答质量进行估计，建立了基于用户答案质量的用户专长模型，以区分问答社区中“能力”参差不齐的不同用户，提高了用户推荐的准确性。然而，由于上述信息都是根据用户历史活动数据学习出来的，用户活跃度可能变化较大，基于历史信息推荐的用户可能不再有效。为此，本文在上述用户兴趣和专长模型基础上，进一步提出了一种用户活跃性预测模型，预测被推荐用户是否能对问题及时做出响应，以期提高推荐结果的准确性。最后，本文综合考虑上述三个因素的评价对用户进行排序，推荐合适的问题回答者。
　　 文中利用百度问答系统的数据进行了本文算法的实验。实验结果表明，新算法推荐效果在正确率和召回率等指标上得到显著提高。

目录

文摘

英文文摘

图目录

表目录

第1章 绪论

1.1 问答系统简介

1.2 问答系统相关研究

1.3 本文研究内容和方法

1.4 本文组织结构

1.5 本章小结

第2章 相关技术综述

2.1 推荐系统相关技术

2.1.1 基于内容推荐

2.1.2 协同过滤推荐

2.1.3 组合推荐

2.2 统计语言模型

2.3 聚类技术

2.4 本章小结

第3章 问题回答者推荐

3.1 问题定义

3.2 用户兴趣模型构建

3.3 本章小结

第4章 用户专长与可用性分析

4.1 用户专长分析

4.2 用户可用性分析

4.3 问题回答者推荐综合算法

4.4 本章小结

第5章 实验结果与分析

5.1 实验数据

5.2 评价方法

5.3 实验结果

5.4 本章小结

第6章 总结与展望

6.1 本文总结

6.2 下一步研究

参考文献

攻读硕士学位期间主要的研究成果

致谢