基于深度学习的在线问答社区问题标签推荐研究

发布时间：2021-05-07 11:43

　　随着互联网技术的高速发展,人们对信息的获取日益便捷,各种信息分享平台不断出现。在线问答社区在此背景下应运而生,并且吸引了越来越多的用户,已经逐渐成为人们获取和分享信息的一种重要平台。在线问答社区蓬勃发展的同时,每天都会产生大量的新问题,为了能够有效地管理、组织这些问题数据,社区采用了标签这一大众分类的方式,为每个问题赋予一个或多个标签反映问题的主题。标签不同于一般的目录结构自顶向下的层次分类方法,各个标签之间是一种平行的关系,它以较少的代价细化分类。在线问答社区通过将问题标签化,有效地解决了问题资源管理的问题。目前在线问答社区问题标签由用户提出问题时给定,由于用户本身不同的知识背景,往往不能准确快速的选出合适且全面的标签来描述问题。为了解决这个问题,一些标签推荐方法被提出,旨在为用户在提问时推荐一系列高质量的标签供其选择,提高问题标注的效率和准确性。本文提出基于深度学习的标签推荐模型,运用深度学习的方法提取问题的语义特征对在线问答社区进行标签推荐工作,并且采用数据增强的方法提升模型性能,除此之外还提出基于深度学习模型的融合模型。本文的主要工作内容如下:（1）阐述了在线问答社区的问题标签... 

【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
中文摘要
英文摘要
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文研究内容
    1.4 本文组织结构
2 相关理论基础
    2.1 在线问答社区
    2.2 数据解析与预处理
        2.2.1 XML解析技术
        2.2.2 文本预处理
    2.3 文本表示
        2.3.1 传统表示方法
        2.3.2 分布式表示
    2.4 深度学习模型
        2.4.1 卷积神经网络
        2.4.2 循环神经网络
    2.5 本章小结
3 数据的选取和预处理
    3.1 数据选取
    3.2 数据预处理
    3.3 词向量预训练
    3.4 本章小结
4 基于深度学习的在线问答社区问题标签推荐
    4.1 问题标签推荐描述
    4.2 基于深度学习的标签推荐模型
        4.2.1 基于卷积神经网络的标签推荐模型
        4.2.2 基于长短期记忆网络的标签推荐模型
        4.2.3 基于循环卷积神经网络的标签推荐模型
    4.3 实验设计与评估方法
        4.3.1 实验环境
        4.3.2 实验设置
        4.3.3 评估方法
    4.4 实验结果与分析
        4.4.1 卷积窗口宽度对模型性能的影响
        4.4.2 K-Max pooling对模型性能的影响
        4.4.3 对比算法实验结果分析
    4.5 本章小结
5 基于数据增强和融合模型的问题标签推荐
    5.1 问题的提出
    5.2 数据增强
    5.3 融合模型
    5.4 实验设计与评估方法
    5.5 实验结果与分析
        5.5.1 数据增强的效果与分析
        5.5.2 融合模型的效果与分析
    5.6 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
附录
    A.作者在攻读学位期间发表的论文目录
    B.作者在攻读学位期间取得的科研成果目录
    C.学位论文数据集
致谢



本文编号：3173331