論文の概要: Beyond Static: Related Questions Retrieval Through Conversations in Community Question Answering

• arxiv url: http://arxiv.org/abs/2604.22759v1
• Date: Mon, 09 Mar 2026 13:39:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.15653
• Title: Beyond Static: Related Questions Retrieval Through Conversations in Community Question Answering
• Title（参考訳）: Beyond Static: コミュニティ質問回答における会話を通して検索する関連質問
• Authors: Xiao Ao, Jie Zou, Yibiao Wei, Peng Wang, Weikang Guo,
• Abstract要約: 本稿では,会話による質問検索モデルTeCQRを提案し,関連する質問をcQAで検索する。 具体的には、タグ付き明確化質問(CQ)を利用して会話を構築する。 さらに,質問とタグのセマンティックな類似性を評価するノイズ耐性モデルを設計し,ノイズフィードバックを効果的に扱えるようにした。
• 参考スコア（独自算出の注目度）: 8.787758512385475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In community question answering (cQA) platforms like Stack Overflow, related question retrieval is recognized as a fundamental task that allows users to retrieve related questions to answer user queries automatically. Although many traditional approaches have been proposed for investigating this research field, they mostly rely on static approaches and neglect the interaction property. We argue that the conversational way can well distinguish the fine-grained representations of questions and has great potential to improve the performance of question retrieval. In this paper, we propose a related question retrieval model through conversations, called TeCQR, to locate related questions in cQA. Specifically, we build conversations by utilizing tag-enhanced clarifying questions (CQs). In addition, we design a noise tolerance model that evaluates the semantic similarity between questions and tags, enabling the model to effectively handle noisy feedback. Moreover, the tag-enhanced two-stage offline training is proposed to fully exploit the mutual relationships among user queries, questions, and tags to learn their fine-grained representations. Based on the learned representations and contextual conversations, TeCQR incorporates conversational feedback by learning to ask tag-enhanced clarifying questions to retrieve related questions more effectively. Experimental results demonstrate that our model significantly outperforms state-of-the-art baselines.
• Abstract（参考訳）: Stack Overflowのようなコミュニティ質問応答(cQA)プラットフォームでは、関連する質問検索が基本的なタスクとして認識され、ユーザが関連する質問を検索してユーザクエリに自動的に答えることができる。 この研究分野を研究するために多くの従来のアプローチが提案されているが、それらは主に静的なアプローチに依存し、相互作用特性を無視している。 対話方式は,質問のきめ細かい表現を十分に区別することができ,質問検索の性能向上に大きな可能性を秘めている。 本稿では,関連する質問をcQAで見つけるために,TeCQRと呼ばれる会話による関連質問検索モデルを提案する。 具体的には、タグ付き明確化質問(CQ)を利用して会話を構築する。 さらに,質問とタグのセマンティックな類似性を評価するノイズ耐性モデルを設計し,ノイズフィードバックを効果的に扱えるようにした。 さらに、ユーザクエリ、質問、タグ間の相互関係を完全に活用して、きめ細かい表現を学習するために、タグ付き2段階オフライントレーニングを提案する。 学習した表現と文脈的会話に基づいて、TeCQRは、タグ強化された質問を明確にし、関連した質問をより効果的に検索することを学ぶことによって、会話のフィードバックを取り入れている。 実験結果から,本モデルは最先端のベースラインを著しく上回ることがわかった。

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)
• Allies: Prompting Large Language Model with Beam Search [107.38790111856761]
  本研究では,ALIESと呼ばれる新しい手法を提案する。 入力クエリが与えられた場合、ALLIESはLLMを活用して、元のクエリに関連する新しいクエリを反復的に生成する。 元のクエリのスコープを反復的に精錬して拡張することにより、ALLIESは直接検索できない隠れた知識をキャプチャし、利用する。
  論文  参考訳（メタデータ） (2023-05-24T06:16:44Z)
• UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
  KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。 我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
  論文  参考訳（メタデータ） (2022-12-02T04:08:09Z)
• Conversational QA Dataset Generation with Answer Revision [2.5838973036257458]
  本稿では,一節から質問に値するフレーズを抽出し,過去の会話を考慮し,それに対応する質問を生成する新しい枠組みを提案する。 本フレームワークでは,抽出した回答を質問生成後に修正し,その回答が一致した質問に正確に一致するようにした。
  論文  参考訳（メタデータ） (2022-09-23T04:05:38Z)
• 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)
• QAConv: Question Answering on Informative Conversations [85.2923607672282]
  ビジネスメールやパネルディスカッション,作業チャネルなど,情報的な会話に重点を置いています。 合計で、スパンベース、フリーフォーム、および回答不能な質問を含む34,204のQAペアを収集します。
  論文  参考訳（メタデータ） (2021-05-14T15:53:05Z)
• 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)
• Effective FAQ Retrieval and Question Matching With Unsupervised Knowledge Injection [10.82418428209551]
  質問に対して適切な回答を得るための文脈言語モデルを提案する。 また、ドメイン固有の単語間のトポロジ関連関係を教師なしの方法で活用することについても検討する。 提案手法のバリエーションを,公開可能な中国語FAQデータセット上で評価し,さらに大規模質問マッチングタスクに適用し,コンテキスト化する。
  論文  参考訳（メタデータ） (2020-10-27T05:03:34Z)

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。