[发明专利]问答社区专家推荐方法及系统

权利要求书

1.一种问答社区专家推荐方法，其特征在于，包括：

获取问答社区上的目标问题；

利用预先训练好的推荐模型处理所述目标问题，得到所述目标问题在所述问答社区内对应的一个最优专家用户，作为目标专家用户；其中，

预先训练好的推荐模型由训练集训练得到；所述训练集包括：所述问答社区内的多个问题，以及标记某专家用户是所述多个问题中的某个问题的最优专家用户的标签，以及标记某专家用户不是所述多个问题中的某个问题的最优专家用户的标签；

将所述目标问题推荐给所述目标专家用户；

由训练集训练得到预先训练好的推荐模型时，确定某专家用户是否为某个问题的最优专家用户包括：

将所述某个问题数据进行向量化表示，得到该问题的显式表示向量；

将候选专家用户数据进行向量化表示，得到专家用户显式表示向量；

构建问题-专家用户交互网络，将所有候选问题集合和候选专家用户通过图结构进行隐式表示，从中得到问题隐式表示向量和候选专家用户隐式表示向量；

结合问题显式表示向量与问题隐式表示向量，得到问题最终表示向量；结合专家用户显式表示向量与专家用户隐式向量，得到专家用户最终表示向量；

基于问题最终表示向量和专家用户最终表示向量，计算候选专家用户为该某个问题的专家的概率得分，得分高的为该问题的最优专家用户；

由训练集训练得到预先训练好的推荐模型，包括，将训练集输入到基础的预测网络模型中进行训练，分别训练出若干个模型，选择效果最好的模型最为最终的预测模型；基础的预测网络模型包括用户编码器、问题编码器、图编码器和分类器；用户编码器的输出端、问题编码器的输出端和图编码器的输出端均与分类器的输入端连接；

图编码器包括两条并联支路；两条并联支路依次为，第八和第九条支路；第八条支路包括，依次连接的用户-问题交互二部图结构、第一随机游走单元结构和第一Word2vec结构模型；第九条支路包括，依次连接的用户-问题交互二部图结构、第二随机游走单元结构和第二Word2vec结构模型；

获取问题隐式表示向量和专家用户隐式表示向量包括：

基于构建的问题-专家用户交互网络，结合Deepwalk的邻域路由算法来迭代分析潜在的序列信息，生成问题语料库和专家用户语料库；

在生成的问题语料库、专家用户语料库上分别使用Word2vec学习隐式嵌入，最终生成问题隐式表示向量和专家用户隐式表示向量；

其中，

问题编码器生成的问题显式表示与图编码器生成的问题隐式表示结合，生成问题最终表示向量；

用户编码器生成的用户显式表示与图编码器生成的用户隐式表示结合，生成用户最终表示向量；

基于问题最终表示向量和用户最终表示向量，输出推荐的专家用户。

2.根据权利要求1所述的问答社区专家推荐方法，其特征在于，获取问题显式表示向量包括：

将问题标题文本信息进行词向量化嵌入，获取问题的标题表示向量；

将问题内容文本信息进行词向量化嵌入，获取问题的内容表示向量；

将问题标签信息进行词向量化嵌入，获取问题的标签表示向量；

将问题的标题表示向量、问题的内容表示向量和问题的标签表示向量进行拼接，得到最终的问题显式表示向量。

3.根据权利要求1所述的问答社区专家推荐方法，其特征在于，获取专家用户显式表示向量包括：

对候选专家用户的历史回答过的问题进行向量化表示，得到专家用户兴趣动态表示向量；

对候选专家用户的历史回答过的问题对应的用户回答进行向量化表示，得到专家用户专业知识动态表示向量；

对候选专家用户的标签信息进行向量化表示，得到专家用户长期兴趣表示向量；

将专家用户兴趣动态表示向量、专家用户专业知识动态表示向量和专家用户长期兴趣表示向量进行拼接，得到最终的专家用户显式表示向量。

4.根据权利要求1所述的问答社区专家推荐方法，其特征在于，计算概率得分包括：

对问题最终表示向量和专家用户最终表示向量进行点积；基于点积结果，比较问题最终表示向量和专家用户最终表示向量的相似度，判断当前用户是否会接受问题的邀请；依据相似度比较结果提取稠密信息；使用Sigmoid函数将数据结果映射到[0,1]之间，即为用户成为此问题专家的概率得分。