原文下载地址

摘要

1. 社区问题的难点在于：重复性问题
2. 解决上述问题要采用Query retrieval(QR)，QR的难点在于：同义词汇
3. 本文算法：1）采用continuous bag-of-words(CBoW)模型对词（word）进行 Distributed Representations(分布式表达，词嵌入)；2)对given query和存档的query计算tile域和description域的相似度；3）将用户信誉(user reputation)也用于排序模型
4. 测试数据集为 Asus's Republic of Gamers (ROG) 论坛

引言

    QR的难点在于同于词汇，处理同义词的方法有四种：

1. Language model information retrieval (LMIR):思想为计算给定问题和候选问题间词序列的概率
2. language model with category smoothing (LMC)：将问题类别表示为向量空间的一个维度（上述两种方法的缺点为：忽略了词与词之间的相似度）
3. translation-based language modeling (TBLM)：使用QA对来学习语义相关的单词以改进传统的IR模型，缺点是学习一个翻译表太耗时
4. distributed-representation-based language modeling (DRLM) :使用数据的分布式表示来替换TBLM中的词到词间的翻译概率，其使用word2vector计算概率

本文算法

本文算法包含三部分：1）词嵌入学习：给定论坛数据集，问题被视为基本单位， 问题中的每个单词都会转换为一个单词向量。

2）得分生成：学习到单词向量后，就可以通过计算查询问题和候选问题之间的相似性来进行问题检索。

3）使用信誉信息：通过引入每个存档问题参与者的信誉值来加强排序函数。

1.Word2vec

word2vec的理解可以参看博客[NLP] 秒懂词向量Word2vec的本质，研究表明CBoW模型在文本分类方面表现更好，特别适用于包含极少数不常见单词的文档，而且该模型的训练速度快于 skip-gram模型，因此本文采用CBoW进行词向量学习。

2.问题标题和描述的排序函数

利用word2vec学习到词向量后，每个问题q的向量表达式如下：

                                    

其中w为q中的每个词，e是向量中每个维度的值。查询问题q和候选答案Q间的相似度得分为：

                       

论坛问题包含两部分：title和description，不同于之前的研究，本文分别计算这两部分的相似度得分：

                          

α和β都是超参数，α+β=1

3.使用论坛中的用户信誉

查询问题q和候选问题Q间的相似度得分表达为：

                              

为超参数，，RPU(Q)是参与Q讨论的用户信誉值总和，为避免来自同一论坛用户的过多信誉值，只添加一次每个参与者的信誉值，为确保新帖的公平性，求信誉值的均值。

实验

Forum为本文算法，-T考虑问题title的相似度，-C考虑问题description的相似度，-R考虑用户信誉值的相似度，上表可以看出本文算法优于其他算法。

下表为超参数的最优值：

Wiki表示采用Wiki训练数据，Table3表明Wiki表现最差，这表明对于word2vec的训练，域内数据比域外培训数据更有效。