Joint Representation Learning for Expert Discovery

Roohollah Etemadi

doi:10.1007/s10994-026-07166-z

2026-09-28

PRE

DOI：10.1007/s10994-026-07166-z

原文链接

原文求助

摘要

En 中文

社区问答（CQA）平台的成功在一定程度上取决于问题与能够及时有效回答问题的最佳专家的匹配程度。随着CQA平台上问题复杂性的增加，需要多个专家的协作，而现有专家查找方法因其设计用于评估单个专家对特定问题的适用性而非协作专长而不足。本文介绍了一种新颖的方法，通过采用图神经网络和核池化技术来识别专家协作团队，并进行端到端训练。我们的方法不仅能预测潜在的个体专家，还能形成能够集体提升答案质量的团队。通过对真实数据集的广泛实验，我们表明我们提出的模型能够：（1）在排名指标NDCG和MAP方面，分别比最佳专家查找基线在至少4.4%和6.7%的更高排名中为新问题找到更合格的专家；（2）形成的专家协作团队比协作专家查找基线具有4.7%更高的技能覆盖范围。