科研之友
微信
新浪微博
Facebook
分享链接
摘要
在线问答社区（Community Question Answering， CQA）已经成为互联网最重要的知识分享交流平台，将用户提出的海量问题有效推荐给可能解答的用户，挖掘用户感兴趣的问题是此类平台最核心功能。一些针对问答社区的专家推荐算法已经被提出用来提高平台解答效率，但是现有工作大多关注于用户兴趣与问题信息匹配，忽视了用户兴趣动态变化问题，可能会严重影响推荐质量。本文提出了结合注意力与循环神经网络的专家推荐算法，不仅实现了问题信息的深度特征编码，而且还能捕获动态变化的用户兴趣。首先，问题编码器在预训练词嵌入基础上结合CNN卷积神经网络和Attention注意力机制实现了问题标题与绑定标签的深度特征联合表示。然后，用户编码器在用户历史回答问题的时间序列上利用长短期记忆神经网络Bi-GRU模型捕捉动态兴趣，并结合用户固定标签信息表征长期兴趣。最后，根据两个编码器输出向量的相似性计算产生用户动态兴趣与长期兴趣相结合的推荐结果。我们在来自于知乎问答社区的真实数据上进行了不同参数配置及不同算法的对比实验，表明该算法性能要明显优于目前比较流行的深度学习专家推荐算法。
- 单位
