[发明专利]问答社区专家推荐方法及系统

说明书

本发明提供一种问答社区专家推荐方法及系统，属于互联网技术领域，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。本发明结合用户显式兴趣和隐式兴趣，关注用户兴趣和用户专业知识的时间动态，充分利用显示与隐式方面特征的结合来表征深层次特征，处理动态序列信息，提升了推荐准确性和推荐效率。

技术领域

本发明涉及互联网技术领域，具体涉及一种结合用户显式兴趣和隐式兴趣的问答社区专家推荐方法及系统。

背景技术

互联网的发展促进了知识共享以及信息的传播，知识分享服务需求的增长，随之出现了大量的依赖于用户问答交流行为的问答社区，社区中具有专业知识的部分专家用户能够对特定领域的问题提供有价值的可参考答案，帮助其他提供问题的用户来解决疑难。为了促进知识的获取和传播，平台致力于深度挖掘用户兴趣，将问题有效推荐给可作出解答的专家用户。

然而，提出的问题和能够提供较准确答案的潜在的专家用户之间缺乏有效的匹配，导致问题堆积，专家用户无法获得其领域的问题，而提出问题的用户无法在短时间内获得高质量解答，解答效率无法满足需求，严重降低了用户体验与参与率。精准快速的问答社区的专家推荐方法，有利于提高平台解答效率，促进培育更强大的社区。

专家推荐区别于被动等待用户浏览并找到他们感兴趣的话题，而是主动将问题推荐给相关领域的专家用用户，引起专家用户对该问题的关注。

现有的大部分工作都将专家推荐问题视为基于内容的推荐任务，使用配置文件或者主题特征的相似性，或是基于语言模型或主题模型挖掘用户隐式主题信息，但这些方法的质量高度依赖类别的可用性和正确定义，社区中提出的问题和用户配置文件之间存在着复杂语义差异，无法准确匹配，推荐结果缺乏个性化。后续又出现混合模型，为了更好地表达问题和用户特征，增加更多的有区分度的功能特征。但其无法学习到问题内部深层次的复杂结构，而且在数据稀疏和冷启动问题存在的状况下，特征表征能力较低。

综上，现有的传统的问答社区专家推荐方法存在以下缺陷和不足：文本信息利用不足，仅关注用户的静态兴趣，忽视时间序列信息的可用性，因此忽视动态兴趣；未能实现多层次信息的结合使用与内部复杂特征的深度捕捉，特征提取仅关注于显式文本信息，忽视隐式交互网络高阶结构关系；忽略现实用户情境，过多关注用户兴趣与问题内容的匹配，忽视用户配置中的信息提取与用户专业知识的结合使用。

近年来，以CNN(Convolutional Neural Network)、RNN(Recurrent NeuralNetwork)以及attention注意力机制为代表的深度学习技术不断发展。相比于传统方法，深度学习模型可以学习到表达力更强的深度复杂语义特征，但是如何使用深度学习方法来更好地处理有关时间序列的动态数据，以及挖掘特征间隐式交互关系仍值得探究。

申请号为202011096689.4的中国发明专利申请，其公开了一种结合动态兴趣与专业知识的问答社区专家推荐方法及系统，其分别获取了目标问题的表示向量和用户的表示向量，最终结合两个表示向量，得到推荐的专家用户。其并没有考虑问题和专家用户之间存在的高阶关系和潜在的偏好因素，其专家推荐效果欠佳。

发明内容

本发明的目的在于提供一种结合用户显式兴趣和隐式兴趣，关注用户兴趣和用户专业知识的时间动态，充分利用显示与隐式方面特征的结合来表征深层次特征，处理动态序列信息，提升了推荐性能的问答社区专家推荐方法及系统，以解决上述背景技术中存在的至少一项技术问题。

为了实现上述目的，本发明采取了如下技术方案：

一方面，本发明提供一种问答社区专家推荐方法，包括：