<div id="js_content">
<p style="text-align: center"><img src="https://201907.oss-cn-shanghai.aliyuncs.com/cs/5606289-cd24cb3b348fe8eaf48258b40e44b8c9"></p>
<p style="text-align: right">PaperWeekly 原创 · 作者｜HTLiu<br></p>
<p style="text-align: right">学校｜天津大学</p>
<p style="text-align: right">研究方向｜推荐系统</p>
<p style="text-align: center"><img height="410" src="https://201907.oss-cn-shanghai.aliyuncs.com/cs/5606289-00c0411febe94ee07ce582430d892b60" width="993"></p>
<p style="text-align: left"><strong>论文标题：</strong>Recurrent Memory Reasoning Network for Expert Finding in Community Question Answering<br></p>
<p style="text-align: left"><strong>论文来源：</strong>WSDM 2020</p>
<p style="text-align: left"><strong>论文链接：</strong>http://jkx.fudan.edu.cn/~qzhang/paper/wsdm500-fuA.pdf</p>
<p style="text-align: left"><img src="https://201907.oss-cn-shanghai.aliyuncs.com/cs/5606289-9374abec2789aa064b90521494958d48"></p>
<p style="text-align: left"><strong>问题简介</strong></p>
<p style="text-align: justify">本文拟解决的问题为<strong>社区问答</strong>（Community Question Answering），或者叫 Expert Finding。虽然名字中带有 QA，但是跟 NLP 中的问答系统不一样，CQA 是在一些问答社区网站上比如 Stackoverflow、知乎等上面，把用户提出的问题推荐给潜在熟悉该问题的回答者（answerer），从而能够使得用户快速地获得更专业的答案。</p>
<p style="text-align: justify">拿知乎举个例子，如下图：</p>
<p style="text-align: center"><img src="https://201907.oss-cn-shanghai.aliyuncs.com/cs/5606289-622a5a34922aa8c77fccfafc593f8127"></p>
<p style="text-align: justify">知乎会给用户推荐一些相关问题去回答，逛知乎的同学应该很了解。因此 CQA 问题本质上就是一个 question 与 answerer 的匹配问题，为问题寻找回答者。</p>
<p style="text-align: left"><img src="https://201907.oss-cn-shanghai.aliyuncs.com/cs/5606289-fcc0a298ef11a9b1b4f8418d5b4859cf"></p>
<p style="text-align: left"><strong>挑战与动机</strong></p>
<p style="text-align: justify">之前大多数 CQA 的工作均基于文本内容相关性，即将问题与回答者回答过的历史问题集合进行相似度进行简单匹配，但是这样的方法存在一个弊端，即<strong>当一个回答者的回答过的问题与提问的问题没有直接显式联系，却包含隐式相关性，那么当前已有的模型就无法做出很好的推荐</strong>。</p>
<p style="text-align: justify">比如下图中 Yahoo! Answer 的例子：</p>
<p style="text-align: center"><img height="494" src="https://201907.oss-cn-shanghai.aliyuncs.com/cs/5606289-2d683eb6e4dc4e546e30248cfcfa503a" width="509"></p>
<p style="text-align: justify">提问者的问题是关于如何写一篇学术论文，下面的一个候选用户并没有直接回答过类似写论文的问题。然而从该用户的历史回答问题集合中可以看出该用户其实在撰写学术论文方面还是有足够的专业知识的，因此是有能力回答该问题的。</p>
<p style="text-align: justify">因此已有的 CQA 的工作仅仅从单纯文本的表层相似度匹配上来看，很难将该问题推送给上面的用户，这里面需要模型有一定的 Reasoning 能力，能够挖掘问题与用户历史记录之间的深度关联。</p>
<p style="text-align: left"><img src="https://201907.oss-cn-shanghai.aliyuncs.com/cs/5606289-48ce3ca3f021f3f7d5ca143625c5d9ea"></p>
<p style="text-align: left"><strong>方法</strong></p>
<p style="text-align: justify">为了解决上面的挑战，本文受到 MAC（Memory, Attention, Control）门控机制的启发， 设计了一种推理记忆单元 RMC（Reasoning Memory Cells）来从建模问题文本，进而与候选用户的历史回答进行多方面推理，能够挖掘问题与用户的深度联系。</p>
<p style="text-align: justify">首先给出 CQA 的形式化表示：</p>
<ul><li><p style="text-align: justify">提问的问题 q，即：包含多个单词的句子
<svg style="vertical-align: -0.799ex;width: 21.826ex;height: 2.496ex;" viewbox="0 -750 9646.9 1103.1">
<g fill="currentColor" stroke="currentColor" stroke-width="0" transform="matrix(1 0 0 -1 0 0)">
<g>
<g>
<path d="M33 157Q33 258 109 349T280 441Q340 441 372 389Q373 390 377 395T388 406T404 418Q438 442 450 442Q454 442 457 439T460 434Q460 425 391 149Q320 -135 320 -139Q320 -147 365 -148H390Q396 -156 396 -157T393 -175Q389 -188 383 -194H370Q339 -192 262 -192Q234 -192 211 -192T174 -192T157 -193Q143 -193 143 -185Q143 -182 145 -170Q149 -154 152 -151T172 -148Q220 -148 230 -141Q238 -136 258 -53T279 32Q279 33 272 29Q224 -10 172 -10Q117 -10 75 30T33 157ZM352 326Q329 405 277 405Q242 405 210 374T160 293Q131 214 119 129Q119 126 119 118T118 106Q118 61 136 44T179 26Q233 26 290 98L298 109L352 326Z"></path>
</g>
<g transform="translate(737.8, 0)">
<path d="M56 347Q56 360 70 367H707Q722 359 722 347Q722 336 708 328L390 327H72Q56 332 56 347ZM56 153Q56 168 72 173H708Q722 163 722 153Q722 140 707 133H70Q56 140 56 153Z"></path |
|
转播
