論文の概要: Leveraging Topic Specificity and Social Relationships for Expert Finding in Community Question Answering Platforms

• arxiv url: http://arxiv.org/abs/2407.04018v1
• Date: Thu, 04 Jul 2024 15:50:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 20:44:03.598908
• Title: Leveraging Topic Specificity and Social Relationships for Expert Finding in Community Question Answering Platforms
• Title（参考訳）: コミュニティ質問回答プラットフォームにおける専門家の特質と社会的関係の活用
• Authors: Maddalena Amendola, Andrea Passarella, Raffaele Perego,
• Abstract要約: 本稿では,エキスパート検索のためのトピック指向ユーザインタラクションモデルTUEFを提案する。 TUEFは、多層グラフを構築することで、コンテンツとソーシャルデータを統合する。 実験の結果、TUEFはP@1で42.42%、NDCG@3で32.73%、R@5で21.76%、MRRで29.81%という最低パフォーマンスで全てのライバルを上回った。
• 参考スコア（独自算出の注目度）: 5.723916517485655
• License:
• Abstract: Online Community Question Answering (CQA) platforms have become indispensable tools for users seeking expert solutions to their technical queries. The effectiveness of these platforms relies on their ability to identify and direct questions to the most knowledgeable users within the community, a process known as Expert Finding (EF). EF accuracy is crucial for increasing user engagement and the reliability of provided answers. Despite recent advancements in EF methodologies, blending the diverse information sources available on CQA platforms for effective expert identification remains challenging. In this paper, we present TUEF, a Topic-oriented User-Interaction model for Expert Finding, which aims to fully and transparently leverage the heterogeneous information available within online question-answering communities. TUEF integrates content and social data by constructing a multi-layer graph that maps out user relationships based on their answering patterns on specific topics. By combining these sources of information, TUEF identifies the most relevant and knowledgeable users for any given question and ranks them using learning-to-rank techniques. Our findings indicate that TUEF's topic-oriented model significantly enhances performance, particularly in large communities discussing well-defined topics. Additionally, we show that the interpretable learning-to-rank algorithm integrated into TUEF offers transparency and explainability with minimal performance trade-offs. The exhaustive experiments conducted on six different CQA communities of Stack Exchange show that TUEF outperforms all competitors with a minimum performance boost of 42.42% in P@1, 32.73% in NDCG@3, 21.76% in R@5, and 29.81% in MRR, excelling in both the evaluation approaches present in the previous literature.
• Abstract（参考訳）: オンラインコミュニティ質問回答(CQA)プラットフォームは、技術的クエリのエキスパートソリューションを求めるユーザにとって、必須のツールになっている。 これらのプラットフォームの有効性は、コミュニティ内の最も知識のあるユーザに質問を識別し、指示する能力に依存している。 EFの精度は、ユーザのエンゲージメントと提供された回答の信頼性を高めるために重要です。 近年のEF方法論の進歩にもかかわらず、CQAプラットフォーム上で利用可能な多様な情報ソースをブレンドすることで、効果的な専門家の特定が困難である。 本稿では,エキスパート検索のためのトピック指向ユーザインタラクションモデルであるTUEFについて述べる。 TUEFは、特定のトピックに対する回答パターンに基づいてユーザ関係をマップする多層グラフを構築することで、コンテンツとソーシャルデータを統合する。 これらの情報ソースを組み合わせることで、TUEFは任意の質問に対して最も関連性があり、知識のあるユーザを特定し、学習からランクまでの技術を用いてランク付けする。 以上の結果から,TUEF のトピック指向モデルは,特に,適切に定義されたトピックを議論する大規模コミュニティにおいて,パフォーマンスを著しく向上させることが示唆された。 さらに,TUEFに組み込まれた解釈可能な学習ランクアルゴリズムは,最小性能トレードオフによる透明性と説明可能性を提供することを示した。 Stack Exchangeの6つのCQAコミュニティで実施された徹底的な実験によると、TUEFはP@1で42.42%、NDCG@3で32.73%、R@5で21.76%、MRRで29.81%という最低パフォーマンス向上の競争相手に勝っている。

関連論文リスト

• GIVE: Structured Reasoning with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
  Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを統合する新しい推論フレームワークである。 本手法は,ゴールド回答検索ではなく,専門家の問題解決に類似した論理的・段階的推論手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T03:05:06Z)
• EWEK-QA: Enhanced Web and Efficient Knowledge Graph Retrieval for Citation-based Question Answering Systems [103.91826112815384]
  引用ベースのQAシステムは2つの欠点に悩まされている。 彼らは通常、抽出された知識の源としてWebにのみ依存し、外部の知識ソースを追加することで、システムの効率を損なう。 システムに供給された知識の内容を充実させるため,Web と 効率的な知識グラフ (KG) 検索ソリューション (EWEK-QA) を提案する。
  論文  参考訳（メタデータ） (2024-06-14T19:40:38Z)
• Context Retrieval via Normalized Contextual Latent Interaction for Conversational Agent [3.9635467316436133]
  本稿では,会話応答の質を向上させるために,関連情報を正確かつ効率的に識別できる新しい手法であるPK-NCLIを提案する。 実験の結果, PK-NCLIは, 難易度, 知識基盤, 訓練効率において, 最先端のPK-FoCuよりも優れていた。
  論文  参考訳（メタデータ） (2023-12-01T18:53:51Z)
• ExpertQA: Expert-Curated Questions and Attributed Answers [51.68314045809179]
  我々は,様々な属性と事実の軸に沿って,いくつかの代表システムからの応答を人為的に評価する。 我々は32分野にわたる484人の被験者から専門家による質問を収集し、同じ専門家に自身の質問に対する反応を評価する。 分析の結果は,32分野にまたがる2177の質問と,回答の検証とクレームの属性を備えた高品質な長文QAデータセットであるExpertQAである。
  論文  参考訳（メタデータ） (2023-09-14T16:54:34Z)
• Pay More Attention to Relation Exploration for Knowledge Base Question Answering [17.273836429397203]
  本稿では,知識ベースにおける関係を利用してエンティティ表現を強化する新しいフレームワークRE-KBQAを提案する。 CWQではF1スコアが40.5から46.3に、WebQSPでは62.8から68.5に5.8%向上した。
  論文  参考訳（メタデータ） (2023-05-03T13:48:30Z)
• A Unified End-to-End Retriever-Reader Framework for Knowledge-based VQA [67.75989848202343]
  本稿では,知識に基づくVQAに向けて,エンド・ツー・エンドのレトリバー・リーダー・フレームワークを提案する。 我々は、視覚言語による事前学習モデルからの多モーダルな暗黙の知識に光を当て、知識推論の可能性を掘り下げた。 提案手法では,知識検索のガイダンスを提供するだけでなく,質問応答に対してエラーが発生しやすいケースも排除できる。
  論文  参考訳（メタデータ） (2022-06-30T02:35:04Z)
• HeteroQA: Learning towards Question-and-Answering through Multiple Information Sources via Heterogeneous Graph Modeling [50.39787601462344]
  コミュニティ質問回答(Community Question Answering, CQA)は、Eコマースやオンラインユーザコミュニティなど、多くのシナリオで利用することができる、明確に定義されたタスクである。 CQAの手法のほとんどは、知識を抽出し、ユーザの質問に答えるために記事やウィキペディアしか含まない。 ユーザコミュニティに複数の情報ソース(MIS)を組み込んで回答を自動的に生成する問合せ対応の異種グラフ変換器を提案する。
  論文  参考訳（メタデータ） (2021-12-27T10:16:43Z)
• Learning to Expand: Reinforced Pseudo-relevance Feedback Selection for Information-seeking Conversations [47.43989857297574]
  本研究では,PRF選択を学習課題として扱うとともに,人間のアノテーションを使わずにエンドツーエンドで学習できる強化学習ベース手法を提案する。 我々のモデルは,応答候補を拡張するために有意義なPRF項を選択するだけでなく,様々な評価指標のベースライン手法と比較して,最良の結果を得ることができる。
  論文  参考訳（メタデータ） (2020-11-25T14:33:18Z)
• Review-guided Helpful Answer Identification in E-commerce [38.276241153439955]
  製品固有のコミュニティ質問応答プラットフォームは、潜在的な顧客の懸念に対処するのに大いに役立ちます。 このようなプラットフォーム上でユーザが提供する回答は、その品質に大きく違いがあります。 コミュニティからのヘルプフルネスの投票は、回答の全体的な品質を示すことができるが、しばしば欠落している。
  論文  参考訳（メタデータ） (2020-03-13T11:34:29Z)
• Enabling the Analysis of Personality Aspects in Recommender Systems [0.0]
  既存のレコメンデーションシステムは、ユーザーからのフィードバック、例えば評価、類似したユーザーを検出するための一般的な項目に対するレビューの活用に重点を置いている。 我々はこの問題を,共通項目に対するフィードバックのないデータスパシティ (DSW-n-FCI) と呼んでいる。 ユーザの個性タイプを,ユーザの負担なく暗黙的に識別し,ユーザの個人的関心や知識レベルとともに取り入れる。
  論文  参考訳（メタデータ） (2020-01-07T23:02:07Z)

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。