Key points are not available for this paper at this time.
Die größte Herausforderung für die Fragenabfrage (QR) in Community-Fragen-Antworten (CQA) ist die lexikalische Lücke zwischen der abgefragten Frage und den historischen Fragen. Dieses Papier schlägt ein neuartiges Fragen-Antworten-Themenmodell (QATM) vor, um die latenten Themen zu lernen, die über die Fragen-Antworten-Paare hinweg ausgerichtet sind, um das Problem der lexikalischen Lücke zu verringern, mit der Annahme, dass eine Frage und ihre zugehörige Antwort die gleiche Themenverteilung teilen. Experimente, die an einem realen CQA-Datensatz von Yahoo! Answers durchgeführt wurden, zeigen, dass die richtige Kombination beider Teile mehr Wissen generieren kann als jeder Teil oder beide Teile in einer einfachen Mischweise, und die Kombination unseres QATM mit dem fortschrittlichsten auf Übersetzung basierenden Sprachmodell, bei dem die Themen- und Übersetzungsinformationen aus den Fragen-Antworten-Paaren auf zwei unterschiedlichen semantischen Ebenen gelernt werden, kann die QR-Leistung erheblich verbessern.
Ji et al. (Mon,) untersuchten diese Frage.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: