論文の概要: Best-Answer Prediction in Q&A Sites Using User Information
- arxiv url: http://arxiv.org/abs/2212.08475v1
- Date: Thu, 15 Dec 2022 02:28:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 14:19:28.373368
- Title: Best-Answer Prediction in Q&A Sites Using User Information
- Title（参考訳）: ユーザ情報を用いたQ&Aサイトのベスト回答予測
- Authors: Rafik Hadfi, Ahmed Moustafa, Kai Yoshino, Takayuki Ito
- Abstract要約: コミュニティ質問回答 (CQA) サイトは近年, 大きく普及している。
そのような答えを見つけるための実践的な方法は、既存の回答とコメントが与えられた最高の候補を自動的に予測することです。
本稿では,質問者の背景情報やその他の特徴を用いて,最適な回答を予測するための新しい手法を用いて,この制限に対処する。
- 参考スコア（独自算出の注目度）: 2.982218441172364
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Community Question Answering (CQA) sites have spread and multiplied
significantly in recent years. Sites like Reddit, Quora, and Stack Exchange are
becoming popular amongst people interested in finding answers to diverse
questions. One practical way of finding such answers is automatically
predicting the best candidate given existing answers and comments. Many studies
were conducted on answer prediction in CQA but with limited focus on using the
background information of the questionnaires. We address this limitation using
a novel method for predicting the best answers using the questioner's
background information and other features, such as the textual content or the
relationships with other participants. Our answer classification model was
trained using the Stack Exchange dataset and validated using the Area Under the
Curve (AUC) metric. The experimental results show that the proposed method
complements previous methods by pointing out the importance of the
relationships between users, particularly throughout the level of involvement
in different communities on Stack Exchange. Furthermore, we point out that
there is little overlap between user-relation information and the information
represented by the shallow text features and the meta-features, such as time
differences.
- Abstract（参考訳）: コミュニティ質問回答 (CQA) サイトは近年, 大きく普及している。
reddit、quora、stack exchangeなどのサイトは、さまざまな質問に対する答えを見つけようとする人々の間で人気を集めている。
そのような答えを見つける実践的な方法は、既存の回答やコメントに基づいて最適な候補を自動的に予測することである。
CQAでは回答予測について多くの研究がなされたが,背景情報の利用は限定的であった。
本稿では,質問者の背景情報や,テキストの内容や他の参加者との関係などの特徴を用いて,質問者の最適な回答を予測する新しい手法を用いて,この制限に対処する。
回答分類モデルはStack Exchangeデータセットを用いてトレーニングし,AUC(Area Under the Curve)メトリックを用いて検証した。
実験の結果,提案手法は,ユーザ間の関係の重要性を指摘し,特にStack Exchange上でのコミュニティの関与レベルを通じて,従来の手法を補完することがわかった。
さらに,ユーザ関係情報と,浅いテキストの特徴によって表される情報と,時間差などのメタ機能との間には重複がほとんどないことを指摘する。
関連論文リスト
- QAGCF: Graph Collaborative Filtering for Q&A Recommendation [58.21387109664593]
質問と回答(Q&A)プラットフォームは通常、ユーザの知識獲得のニーズを満たすために質問と回答のペアを推奨する。
これにより、ユーザの振る舞いがより複雑になり、Q&Aレコメンデーションの2つの課題が提示される。
グラフニューラルネットワークモデルであるQ&Answer Graph Collaborative Filtering (QAGCF)を導入する。
論文 参考訳（メタデータ） (2024-06-07T10:52:37Z) - Feature Engineering in Learning-to-Rank for Community Question Answering
Task [2.5091819952713057]
コミュニティ質問応答(CQA)フォーラムはインターネットベースのプラットフォームで、ユーザーはトピックについて質問し、他の専門家はソリューションを提供しようとする。
Quora、Stackoverflow、Yahoo!Answer、StackExchangeといった多くのCQAフォーラムには、多くのユーザ生成データが存在する。
これらのデータは、ユーザの問い合わせに応じて類似の質問(と回答)が提示される自動CQAランキングシステムで活用される。
論文 参考訳（メタデータ） (2023-09-14T11:18:26Z) - Answering Ambiguous Questions with a Database of Questions, Answers, and
Revisions [95.92276099234344]
ウィキペディアから生成される曖昧な質問のデータベースを利用して、あいまいな質問に答えるための新しい最先端技術を提案する。
提案手法は,リコール対策で15%,予測出力から不明瞭な質問を評価する尺度で10%向上する。
論文 参考訳（メタデータ） (2023-08-16T20:23:16Z) - CREPE: Open-Domain Question Answering with False Presuppositions [92.20501870319765]
オンライン情報検索フォーラムからの予測失敗の自然な分布を含むQAデータセットであるCREPEを紹介する。
25%の質問が偽の前提命題を含み、これらの前提命題とその修正のための注釈を提供する。
既存のオープンドメインQAモデルの適応は適度に予測できるが、仮定が実際に正しいかどうかを予測するのに苦労する。
論文 参考訳（メタデータ） (2022-11-30T18:54:49Z) - Answer ranking in Community Question Answering: a deep learning approach [0.0]
本研究は, 地域質問回答の回答ランキングを, 深層学習のアプローチで進めることによって, 技術の現状を推し進めるものである。
Stack OverflowのWebサイトにポストされた質問と回答の大規模なデータセットを作成しました。
我々は,高密度埋め込みとLSTMネットワークの自然言語処理機能を利用して,受理された応答属性の予測を行った。
論文 参考訳（メタデータ） (2022-10-16T18:47:41Z) - Multifaceted Improvements for Conversational Open-Domain Question
Answering [54.913313912927045]
対話型オープンドメイン質問回答(MICQA)のための多面的改善フレームワークを提案する。
第一に、提案したKL分割に基づく正規化は、検索と解答のためのより良い質問理解をもたらすことができる。
第二に、追加されたポストランカモジュールは、より関連性の高いパスをトップにプッシュし、2アスペクトの制約で読者に選択できる。
第3に、十分に設計されたカリキュラム学習戦略は、訓練と推論の黄金の通路設定のギャップを効果的に狭め、黄金の通路支援なしで真の答えを見つけることを奨励する。
論文 参考訳（メタデータ） (2022-04-01T07:54:27Z) - A Graph-guided Multi-round Retrieval Method for Conversational
Open-domain Question Answering [52.041815783025186]
本稿では,会話のターン間の回答間の関係をモデル化するグラフ誘導検索手法を提案する。
また,検索コンテキストが現在の質問理解に与える影響を検討するために,マルチラウンド関連フィードバック手法を導入することを提案する。
論文 参考訳（メタデータ） (2021-04-17T04:39:41Z) - Attention-based model for predicting question relatedness on Stack
Overflow [0.0]
Stack Overflowにおける質問間の関連性を自動的に予測するアテンションベースの文対相互作用モデル(ASIM)を提案する。
ASIMは、Precision、Recall、Micro-F1評価メトリクスのベースラインアプローチを大幅に改善しました。
私たちのモデルは、Ask Ubuntuの重複質問検出タスクでもうまく機能します。
論文 参考訳（メタデータ） (2021-03-19T12:18:03Z) - Features that Predict the Acceptability of Java and JavaScript Answers
on Stack Overflow [5.332217496693262]
私たちは、最も人気のある2つのタグ(JavaとJavaScript)の質問と回答を分析してStack Overflowデータセットを調査しました。
その結果,回答中のコードの長さ,ユーザの評判,質問と回答間のテキストの類似性,質問と回答間の時間ラグは,受け入れられない回答と受け入れられない回答を区別する最も高い予測力を有することがわかった。
論文 参考訳（メタデータ） (2021-01-08T03:09:38Z) - Diverse and Non-redundant Answer Set Extraction on Community QA based on
DPPs [18.013010857062643]
コミュニティベースの質問応答プラットフォームでは、ユーザが多くの回答の中から有用な情報を得るのに時間がかかる。
本稿では,回答のランク付けよりも多様で非冗長な回答セットを選択することを提案する。
論文 参考訳（メタデータ） (2020-11-18T07:33:03Z) - Visual Question Answering with Prior Class Semantics [50.845003775809836]
候補解のセマンティクスに関連する追加情報を利用する方法を示す。
セマンティック空間における回帰目標を用いて解答予測プロセスを拡張する。
提案手法は,様々な質問タイプに対して,一貫性と精度の向上をもたらす。
論文 参考訳（メタデータ） (2020-05-04T02:46:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。