Dec, 2016

在线健康专家问答服务的质量预测深度学习方法

PDF
TL;DR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。
online health expert question-answering servicesanswer quality predictionmachine learningnon-textual featuresdeep belief network
发现论文，激发创造
  • 社区问答中深度特征融合网络的答案质量预测

    本文提出了一种名为 “Deep Feature Fusion Network” 的 AQP 新方法，该方法整合了手工特征和深度学习策略，应用卷积神经网络学习特征并结合外部资源计算手工特征。实验结果表明，DFFN 在标准的 SemEval-2015 和 SemEval-2016 基准数据集上取得了最先进的性能，并优于仅使用 HCF 或 DL 技术的基线方法。

    Jun, 2016

  • 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

  • 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

  • 用神经网络预测 StackOverflow 上的问题质量

    本文评估了神经网络模型以预测 Stack Overflow 上问题的质量，结果表明与基准机器学习模型相比，神经网络模型具有更高的准确性，并且发现神经网络模型的层数对其性能有显著影响。

    Apr, 2024

  • 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

  • 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

  • 面向生物医学问答的神经领域自适应

    本文介绍了一种基于迁移学习技术，将神经网络模型应用在生物医学领域的事实型问答系统上的方法，通过加入生物医学文本嵌入和一种新的回答列表问题的机制来改进该系统，避免了使用昂贵的特定领域本体论、解析器或实体标注器。结果表明，该系统在事实型问题上达到了最新水平，在列表问题上取得了竞争性的结果。

    Jun, 2017

  • 电子商务中基于评论引导的有用答案识别

    本文提出了一种基于评论引导的答案有用性预测模型，该模型不仅考虑了 QA 对之间的交互，还探讨了答案与众筹意见之间的意见连贯性作为识别有用答案的另一个重要因素，并探索了利用预训练策略将从一个特定设计的经过训练的网络中获得的文本推理知识转移的方法。该模型在七个产品类别上进行的广泛实验表明，其在预测任务中的表现优异。

    Mar, 2020

  • 通过多实例深度学习进行用户个性化满意度预测

    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。

    Nov, 2016

  • 利用精神健康论坛数据的问答模型：精神分裂症症状及其对日常生活的影响

    本文提出了一种新的方法，通过对关注精神分裂症和不同心理障碍的人群在 “心理健康” 论坛上发表的帖子进行概括，获得了一个低偏差、无隐私问题的用于问答模型实施的精确数据集，并利用各种模型的细调评估，展示了该方法获取准确数据集的有效性，BioBERT 模型的细调获得了 0.885 的 F1 得分，在心理障碍领域表现优于现有模型。

    Sep, 2023