隨著web2.0時(shí)代的不斷發(fā)展,各種社區(qū)問答平臺(tái)應(yīng)運(yùn)而生,由于社區(qū)問答平臺(tái)的開放性和知識(shí)共享性,越來越多的人喜歡把自己的問題和答案通過問答平臺(tái)分享給大家。如今,社區(qū)問答平臺(tái)已成為廣大用戶獲取信息和知識(shí)共享的重要媒介。諸如百度知道、知乎、Yahoo!Answers等問答社區(qū)平臺(tái)每天都會(huì)發(fā)布大量不同主題的問題,這就要求問答社區(qū)平臺(tái)必須擁有充足的數(shù)據(jù)資源和強(qiáng)大的問題解決機(jī)制,以便幫助用戶快速高效的解決問題。然而,隨著問答社區(qū)平臺(tái)用戶量的不斷增多,平臺(tái)數(shù)據(jù)量迅速擴(kuò)張,導(dǎo)致海量的平臺(tái)信息會(huì)迅速覆蓋提問者提出的問題,從而造成提問者不得不長時(shí)間等待其他用戶的回答。與此同時(shí),再加上大量垃圾信息和低質(zhì)量答案信息的干擾,導(dǎo)致用戶很難快速準(zhǔn)確的獲取高質(zhì)量的問題答案,為用戶獲取答案信息增加了巨大的壓力。針對以上存在的問題,本文系統(tǒng)的研究了問答社區(qū)中的專家發(fā)現(xiàn)方法,針對新提出的問題,找出相關(guān)領(lǐng)域能力較強(qiáng)的專家用戶,并將專家用戶推薦給提問者。主要工作包括以下幾個(gè)方面:（1）基于用戶歷史問答信息,本文采用了主題專業(yè)水平模型TPLM（topic professional level model）,該模型綜合利用帖子的... 

【文章來源】：昆明理工大學(xué)云南省

【文章頁數(shù)】：73 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

用戶與問答社區(qū)交互示意圖

相關(guān)理論與技術(shù)11圖2.2web1.0時(shí)代問答系統(tǒng)Web1.0時(shí)代的問答服務(wù)類似于搜索引擎，是一種閱讀式的問答服務(wù)模式，用戶搜索獲取的內(nèi)容是網(wǎng)站預(yù)先編輯好的內(nèi)容，這個(gè)過程是網(wǎng)站到用戶的單向行為，并不存在內(nèi)容從用戶到網(wǎng)站的過程，這樣的問答服務(wù)只能機(jī)械的通過搜索關(guān)鍵詞來返回相關(guān)內(nèi)容，并不具備開放性、交互性和共享性。隨著問答服務(wù)的不斷成熟和發(fā)展，先前的問答服務(wù)已經(jīng)不能滿足和適應(yīng)人們的需求。問答社區(qū)平臺(tái)的出現(xiàn)，改變了以往人與人之間的網(wǎng)絡(luò)交互的方式,以其互動(dòng)性和共享性的特點(diǎn)克服傳統(tǒng)問答模式的局限和不足，它以平臺(tái)用戶群為基礎(chǔ)，強(qiáng)調(diào)用戶需求、強(qiáng)化用戶交流。問答社區(qū)平臺(tái)的日益完善和蓬勃發(fā)展，極大的促進(jìn)了人與人之間知識(shí)的共享和學(xué)習(xí)，相比傳統(tǒng)問答模式獲取信息的方式，問答社區(qū)平臺(tái)大幅度提高了用戶解決問題的精確度和時(shí)效性。目前國內(nèi)外具有代表性的問答社區(qū)平臺(tái)如表2.1所示。表2.1目前國內(nèi)外具有代表性的在線問答社區(qū)網(wǎng)站名創(chuàng)建時(shí)間側(cè)重領(lǐng)域網(wǎng)址知乎網(wǎng)2011多領(lǐng)域https://www.zhihu.com百度知道2005多領(lǐng)域http://zhidao.baidu.com搜狗問問2004多領(lǐng)域https://wenwen.sogou.com/快搜問答2005多領(lǐng)域http://wenda.kuaiso.com/StackOverflow2008計(jì)算機(jī)開發(fā)http://stackoverflow.comYahoo!Answer2005多領(lǐng)域http://answers.yahoo.comAnswer.com2005多領(lǐng)域http://www.answers.com

相關(guān)理論與技術(shù)13獲取文本集內(nèi)具有區(qū)分度的關(guān)鍵詞，然后利用這些區(qū)分明確的關(guān)鍵詞對用戶主題偏向進(jìn)行分析，最終獲取用戶屬于各個(gè)主題的概率分布，進(jìn)而挖掘各個(gè)主題下的專家用戶。2.2.1LDA模型LDA（LatentDirichletAllocation）模型是一種典型的主題概率分布模型，也稱為一個(gè)三層貝葉斯概率模型，包含詞、主題和文檔三層結(jié)構(gòu)。該模型將文本集劃分為不同主題，進(jìn)而對文本集進(jìn)行綜合建模，首先獲取文檔在不同主題下的概率分布，在此基礎(chǔ)上，針對不同的主題獲取各個(gè)主題下的詞分布信息。該模型就是利用這種關(guān)系，通過詞的分布信息最終獲取每個(gè)文檔的主題概率分布。其概率模型圖如2.3所示：圖2.3LDA的圖模型表示其中，Ｄ代表文檔集中的所有文檔，Nd表示文檔集合中第ｄ篇文檔包含的單詞，Ｔ代表所有文檔集中包含的主題。θ代表文檔的主題分布，服從超參數(shù)為α的狄利克雷分布，表示為θ～Dr(α)。代表每個(gè)話題下的單詞分布，服從超參數(shù)為β的狄利克雷分布，表示為～Dr(β)。ω代表LDA模型中的觀察詞變量，服從參數(shù)為的多項(xiàng)式分布，表示為ω～Μul()。Ζ為觀察變量ω的話題指派，服從參數(shù)為θ的多項(xiàng)式分布，表示為Ζ～Μul(θ)。其中α和β都為狄利克雷分布超參數(shù)，取值通常為固定值，α和β的經(jīng)驗(yàn)取值一般為α＝50/Κ，β＝0.01。LDA模型的文檔生成過程描述如下：1.對于文檔集中的每篇文檔d，根據(jù)超參數(shù)α采樣文檔d的主題分布θd～Dr(α)；

【參考文獻(xiàn)】：
期刊論文
[1]一種融合話題和行為的在線問答社區(qū)領(lǐng)域?qū)＜野l(fā)現(xiàn)方法[J]. 李科霖.  計(jì)算機(jī)與現(xiàn)代化. 2018(09)
[2]基于LDA的多特征融合的短文本相似度計(jì)算[J]. 張小川,余林峰,張宜浩.  計(jì)算機(jī)科學(xué). 2018(09)
[3]基于雙向LSTM模型的文本情感分類[J]. 任勉,甘剛.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(07)
[4]基于Bi-LSTM和分布式表示的網(wǎng)頁主題相關(guān)度計(jì)算[J]. 王鋒,白宇,蔡?hào)|風(fēng),王鐵錚.  計(jì)算機(jī)應(yīng)用與軟件. 2018(07)
[5]基于word2vec和LSTM的句子相似度計(jì)算及其在水稻FAQ問答系統(tǒng)中的應(yīng)用[J]. 梁敬東,崔丙劍,姜海燕,沈毅,謝元澄.  南京農(nóng)業(yè)大學(xué)學(xué)報(bào). 2018(05)
[6]在線問答社區(qū)中參與者知識(shí)行為研究綜述[J]. 齊云飛,趙宇翔,朱慶華.  圖書情報(bào)知識(shí). 2018(03)
[7]基于深層注意力的LSTM的特定主題情感分析[J]. 胡朝舉,梁寧.  計(jì)算機(jī)應(yīng)用研究. 2019(04)
[8]融合主題的CLSTM短文本情感分類[J]. 秦鋒,黃超,鄭嘯,邵光梅.  安徽工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(03)
[9]基于長短期記憶多維主題情感傾向性分析模型[J]. 滕飛,鄭超美,李文.  計(jì)算機(jī)應(yīng)用. 2016(08)
[10]中文社區(qū)問答中問題答案質(zhì)量評價(jià)和預(yù)測[J]. 李晨,巢文涵,陳小明,李舟軍.  計(jì)算機(jī)科學(xué). 2011(06)

碩士論文
[1]基于在線問答社區(qū)的領(lǐng)域?qū)＜野l(fā)現(xiàn)方法研究[D]. 李科霖.北京交通大學(xué) 2018
[2]基于LSTM的文本相似度識(shí)別方法研究[D]. 楊飛.吉林大學(xué) 2018
[3]面向問答社區(qū)的專家發(fā)現(xiàn)方法的研究與實(shí)現(xiàn)[D]. 彭爽.北京郵電大學(xué) 2018
[4]社會(huì)化問答社區(qū)的社會(huì)網(wǎng)絡(luò)分析[D]. 宋文丹.西南交通大學(xué) 2015
[5]基于深度學(xué)習(xí)的短文本語義相似度計(jì)算[D]. 陳曉陽.北京理工大學(xué) 2015



本文編號(hào)：3265288