基于迁移学习增强的多标签多文档分类模型的补充性问答推荐研究

作     者：李莹 李明 

作者机构：中国石油大学(北京)经济管理学院 

出 版 物：《数据分析与知识发现》 (Data Analysis and Knowledge Discovery)

年 卷 期：2024年

核心收录：

学科分类：08[工学] 081104[工学-模式识别与智能系统] 081203[工学-计算机应用技术] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：教育部人文社会科学研究青年基金项目（项目编号：21YJCZH070） 国家自然科学基金面上项目（项目编号：72271244） 国家留学基金资助项目（项目编号：202206440091）的研究成果之一 

主　　题：问答推荐 问答补充关系 多标签多文档分类 小样本分类 

摘      要：[目的] 针对在线问答社区的问答文档识别和推荐补充性问答，提出一种基于迁移学习增强的多标签多文档分类模型的补充性问答推荐方法。[方法] 提出了新的特征与已有特征一起用于问答补充关系分类，建立了迁移学习增强的多标签多文档分类模型，用于识别和推荐补充性问答。[结果] 在知乎社区真实数据集上三个元任务的实验表明，所提出的推荐方法在精确度、召回率和f-measure上平均提升了48.3%、15.8%和32.5%。[局限] 仅在知乎的健康问答主题应用，未验证在不同平台与不同主题问答中的效果。[结论] 提出的推荐方法能够有效地推荐补充性问答，帮助问答社区用户更加全面的获取问答，促进社区中知识的利用。