WWWNov, 2016

通过多实例深度学习进行用户个性化满意度预测

PDF
TL;DR该研究通过开发新的多实例深度学习框架解决了社区问答服务中的用户满意度问题，并通过大型数据集的实验验证了该框架的可行性。
community-based question answeringpersonalized satisfaction predictionmultiple instance deep learningstack exchangeuser interactions
发现论文，激发创造
  • 自监督对比学习：面向对话代理的高效用户满意度预测

    该研究开发了一种利用自监督对比学习和少样本迁移学习的方法，能显著减少标注数目，并提高面向未知领域技能的泛化性能。

    Oct, 2020

  • 在线健康专家问答服务的质量预测深度学习方法

    提出了一种基于深度置信网络的在线健康询问平台回答质量预测框架，该框架利用非文本特征和医生答案的高层语义表示来预测答案质量。

    Dec, 2016

  • 社区问答中的答案排序：一种深度学习方法

    本研究对社区问答的答案排名进行了深入的研究，基于大规模的 Stack Overflow 问题和回答数据，利用深度学习方法 (密集嵌入和 LSTM 网络) 进行预测和排序，提高了问答的准确度，但由于源码中大量的 oov 词汇，深度学习模型的性能提升由限制，未来应开发新的方法以解决该问题。

    Oct, 2022

  • 利用用户信息在问答网站中预测最佳答案

    本研究使用问题者的背景信息及其他特征，例如文本内容或者与其他参与者的关系，并利用 Stack Exchange 数据集进行训练，提出一种预测最佳答案的新方法，并且证明了用户间的关系对结果具有重要影响。同时，我们发现用户关系信息与文本特征和元特征（如时间差异）之间有较少的重叠。

    Dec, 2022

  • 应用深度学习进行答案选择研究和开放任务

    应用深度学习框架解决非事实类问答任务，在保险领域创建和发布了问答语料库，实验结果表明性能优于基线方法和其他技术，对于这个高度具有挑战性的任务，测试集的最高准确率可达到 65.3％，具有广泛的实用潜力。

    Aug, 2015

  • 大规模教育问题挖掘：预测、分析和个性化

    本文提出了一个用于在规模上挖掘教育问题洞见的框架。使用贝叶斯深度学习的技术，我们提出了两种量化问题质量和难度的新指标，并提出了一种个性化的策略，以适应学生的需求。将该框架应用于一个拥有数万个问题和数百万个答案的在线教育平台的真实数据集，我们不仅表现出有前途的统计指标，而且与领域专家的评估结果高度一致。

    Mar, 2020

  • 从信息检索和深度神经网络角度的基于文本的问答：一项综述

    本文综述了传统信息检索方法和深度神经网络方法在文本问答任务中的应用，介绍了相关模型以及可供比较的数据集和文献结果。

    Feb, 2020

  • 基于 DPPs 的社区问答多样且非冗余答案集提取

    该研究提出了一种基于 DPP 和 BERT 的方法，旨在从社区问答平台上选择多样性和非冗余的答案集，该方法在日本 CQA 网站上的实验表明性能优于几种基线方法。

    Nov, 2020

  • 基于评论的自适应实例迁移和增强的问题生成

    本文提出了一种通过提取无人监督学习的相关特征，利用用户提问答案数据的迭代学习框架，用于通过生成问题的方式来挖掘在线评论中的信息，从而对商品和服务进行评价。实验表明，该框架的有效性以及新任务的有用性。

    Nov, 2019

  • 基于 LSTM 的深度学习模型用于非事实答案选择

    本文探索了一种深度学习框架，用于解决答案选择问题，结合双向长短期记忆模型、卷积神经网络和注意力机制，结果表明该模型在 TREC-QA 和 InsuranceQA 数据集上优于已有模型。

    Nov, 2015