AAAIMar, 2018

社区问答站点中的问题难度和专业水平评估（QDEE）

PDF
TL;DR本文提出了一种基于社区问答（CQAs）的问答难度和专业水平估计（QDEE）框架，该框架使用竞争（定向）图模型来预测问题难度和用户专业水平，借助 “社交痛苦” 将问答路由到合适的用户来提高问答效果。
question difficultyexpertise estimationcommunity question answeringcompetition graph modelsocial agony
发现论文，激发创造
  • 社区问答中专家推荐的调查

    本文概述了社区问答中专家推荐的研究进展和现有技术，总结并比较了现有方法的优缺点，并讨论了未来研究方向和面临的挑战。

    Jul, 2018

  • 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

  • 评估潮起潮落：跨多个平台深度分析问答趋势

    本研究通过分析六个广受欢迎的 CQA 平台中的元数据、问题的表述以及用户之间的互动水平与首次回答问题所需的时间之间的相关性，并运用传统机器学习模型预测哪些问题将会迅速获得首次回复。

    Sep, 2023

  • R2DE: 一种 NLP 方法对新生成的问题进行 IRT 参数估计

    研究介绍了一种名为 R2DE 的新模型，它可以自动生成适合考试的选择题并快速评估其难度和区分度，从而减轻考试生成过程中的一些问题。

    Jan, 2020

  • 挖掘 Stack Overflow 的重复问题

    本研究提出两个基于神经网络的架构来解决 Stack Overflow 中存在的问题复制，同时还通过显式建模问题中存在的代码进一步提高了检测质量。

    Oct, 2022

  • 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

  • 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

  • 在线社区弱学习专家匹配

    本研究旨在解决在线问答 (QA) 网站中寻找 (邀请) 能够回答给定问题且不太可能拒绝邀请的用户的问题。为此，我们提出了 WeakFG 模型以捕获问题和用户之间的专业匹配度，并将基于社会身份理论的一组相关性结合到模型中。我们使用两种不同类别的数据集：QA-Expert 和 Paper-Reviewer 来验证该模型的性能。实验结果表明，该模型可以比现有算法显著提高 (至少 + 1.5-10.7% by MAP) 用户与社区问题的匹配度。此外，我们还开发了一个在线系统来进一步展示所提出方法的优势。

    Nov, 2016

  • 自然语言处理方法在问题难度估计中的定量研究

    本研究通过定量分析之前研究中提出的几种方法，比较它们在三个不同教育领域包含不同类型问题的公开真实数据集上的表现，发现基于 Transformer 的模型在跨不同教育领域的 MCQs、科学题和数学题等方面表现最佳，超越其他方法甚至在较小的数据集上也表现得更好。

    May, 2023

  • SemEval-2015 任务 3：社区问答中的答案选择

    本文介绍了 SemEval-2015 Task 3 的组织和结果，以分类好、坏或潜在相关的答案，并回答 List of all answers 的 Yes / No 问题。我们使用 Mechanical Turk 对英语进行了广泛的数据标记，并已向研究社区发布。最好的系统在官方评分上看得分达到了 57.19 和 63.7（英语子任务 A 和 B），以及阿拉伯语子任务 A 的 78.55。

    Nov, 2019