論文の概要: Modeling Tag Prediction based on Question Tagging Behavior Analysis of CommunityQA Platform Users

• arxiv url: http://arxiv.org/abs/2307.01420v1
• Date: Tue, 4 Jul 2023 01:24:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-06 18:34:45.254221
• Title: Modeling Tag Prediction based on Question Tagging Behavior Analysis of CommunityQA Platform Users
• Title（参考訳）: コミュニティqaプラットフォームユーザの質問タグ行動分析に基づくタグ予測のモデル化
• Authors: Kuntal Kumar Pal, Michael Gamon, Nirupama Chandrasekaran and Silviu Cucerzan
• Abstract要約: 我々は、各質問に対して人気のあるタグとより粒度の細かいタグの両方を予測するフレキシブルなニューラルタグ予測アーキテクチャを開発する。 実験結果と得られた性能から,本モデルの有効性が示された。
• 参考スコア（独自算出の注目度）: 10.816557776555078
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In community question-answering platforms, tags play essential roles in effective information organization and retrieval, better question routing, faster response to questions, and assessment of topic popularity. Hence, automatic assistance for predicting and suggesting tags for posts is of high utility to users of such platforms. To develop better tag prediction across diverse communities and domains, we performed a thorough analysis of users' tagging behavior in 17 StackExchange communities. We found various common inherent properties of this behavior in those diverse domains. We used the findings to develop a flexible neural tag prediction architecture, which predicts both popular tags and more granular tags for each question. Our extensive experiments and obtained performance show the effectiveness of our model
• Abstract（参考訳）: コミュニティの質問応答プラットフォームでは、タグは効果的な情報組織化と検索、より良い質問ルーティング、質問への迅速な回答、トピックの人気評価において重要な役割を果たす。 したがって、投稿のタグを予測および提案するための自動アシストは、そのようなプラットフォームのユーザにとって非常に有用である。 多様なコミュニティやドメインにまたがるタグ予測を改善するため、17のStackExchangeコミュニティにおいて,ユーザのタグ付け動作を徹底的に分析した。 これらの多様な領域において、この挙動の様々な共通する性質が発見された。 この結果を用いて、各質問に対して人気のあるタグとより粒度の細かいタグの両方を予測する柔軟なニューラルタグ予測アーキテクチャを開発した。 我々のモデルの有効性を示す大規模な実験と得られた性能

関連論文リスト

• Modeling Domain and Feedback Transitions for Cross-Domain Sequential Recommendation [60.09293734134179]
  $textTransition2$は、ドメインとユーザフィードバックのタイプの両方にわたるトランジションをモデル化する新しい方法です。 ユーザ履歴に基づいた遷移対応グラフエンコーダを導入し,フィードバックタイプに応じて異なる重みをエッジに割り当てる。 我々は、異なるタイプの遷移を識別するために、様々なマスクを組み込んで、クロストランジション・マルチヘッド・セルフアテンションを用いて、ユーザ履歴をエンコードする。
  論文  参考訳（メタデータ） (2024-08-15T15:18:55Z)
• 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)
• Evaluating the Ebb and Flow: An In-depth Analysis of Question-Answering Trends across Diverse Platforms [4.686969290158106]
  コミュニティ質問回答(Community Question Answering, CQA)プラットフォームは,クエリに対する迅速な応答をユーザに提供することで,着実に人気を集めている。 本稿では,これらの要因を,人気の高い6つのCQAプラットフォームのコンテキスト内で調査する。
  論文  参考訳（メタデータ） (2023-09-12T05:03:28Z)
• Best-Answer Prediction in Q&A Sites Using User Information [2.982218441172364]
  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。
  論文  参考訳（メタデータ） (2022-12-15T02:28:52Z)
• Graph-Based Recommendation System Enhanced with Community Detection [7.436429318051602]
  ユーザーのタグを調べることで、興味を持ち、レコメンデーションの精度を高めることができる。 ユーザ定義タグは自由かつ制限なく選択されるため、タグの正確な意味と類似性を決定する際に問題が発生する。 本稿では,語彙類似性と共起タグの解を求めるために,数学的および統計的手法を用いる。
  論文  参考訳（メタデータ） (2022-01-10T20:08:40Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)
• Limiting Tags Fosters Efficiency [2.6143568807090696]
  情報理論を用いてStack Overflow上のタグの記述と検索の効率を追跡する。 タグ付け効率は時間とともに安定するが,タグの内容と記述性は共に増大する。 我々の研究は、オンラインコミュニティにおける情報組織と検索を改善するための政策に関する洞察を提供する。
  論文  参考訳（メタデータ） (2021-04-02T12:58:45Z)
• Mining Implicit Relevance Feedback from User Behavior for Web Question Answering [92.45607094299181]
  本研究は,ユーザ行動と通過関連性との関連性を検討するための最初の研究である。 提案手法は,追加のラベル付きデータを使わずにパスランキングの精度を大幅に向上させる。 実際にこの研究は、グローバルな商用検索エンジンにおけるQAサービスの人為的ラベリングコストを大幅に削減する効果が証明されている。
  論文  参考訳（メタデータ） (2020-06-13T07:02:08Z)
• Interaction Matching for Long-Tail Multi-Label Classification [57.262792333593644]
  既存のマルチラベル分類モデルにおいて,制約に対処するためのエレガントで効果的なアプローチを提案する。 ソフトなn-gram相互作用マッチングを実行することで、ラベルと自然言語記述をマッチングする。
  論文  参考訳（メタデータ） (2020-05-18T15:27:55Z)
• A Cross-Genre Ensemble Approach to Robust Reddit Part of Speech Tagging [10.609715843964263]
  本研究では,異なるジャンルでトレーニングされた最先端のタグ付けモデルが,未フィルタリングRedditフォーラムの議論からWebコンテンツ上でどのように機能するかを検討する。 この結果から,少数のドメイン内データであっても,他のWebドメインからのデータのコントリビューションよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-04-29T16:36:38Z)

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。