Task Preferences across Languages on Community Question Answering Platforms
University of Washington（华盛顿大学）；ShareChat
随着Quora、StackExchange和WikiHow等社区问答（CQA）平台的稳步出现，用户现在可以前所未有地访问各种查询和任务的信息。此外，这些跨越地理和语言界限的平台的快速扩散和本地化为研究不同社会语言群体的用户的任务要求和偏好提供了独特的机会。在这项研究中，我们实现了一个实体嵌入模型，该模型在多语言和面向任务的问答对的大型纵向数据集上进行训练，以揭示和量化（i）跨语言社区的各种在线任务的流行和分布，以及（ii）随着时间的推移，这些社区中任务流行度的新兴和衰退趋势。我们的研究结果表明，在平台上的语言社区中，任务偏好和流行趋势存在很大差异。这项研究的结果将有助于问答平台更好地为非英语用户策划和个性化内容，同时也为希望在线瞄准非英语社区的企业提供有价值的见解。
2022-12-18 cs.CL cs.CY cs.HC
How question quality drives Web performance in community question answering sites
用户每天在社区问答网站上发布数百万个问题。这些问题的质量会显著影响网站用户的满意度，从而影响网站的流量。我们从一个最大的CQA网站收集了15个问题质量相关的特征和该网站的浏览量数据，以估计相应时间序列中的影响规模。通过使用灰色关联分析，我们对这些问题的质量特征进行排名，并估计这些因素对页面浏览量的相对强度。我们的研究结果表明，问题的质量特征对网络性能有显着的影响。我们生成了一个功能的排名列表，发现数字流行度和文本功能可以驱动页面流量超过提问者相关功能和问题难度。研究结果对网络增长和未来研究的影响进行了讨论。
2020-12-22 cs.SI
How Language, Culture, and Geography shape Online Dialogue: Insights from Koo
本研究基于印度微博平台Koo的超7100万帖子与3.99亿互动数据，分析了用户分布、互动网络的语言文化分隔及跨语言话语的文化共性，指出该类平台可服务传统上被美系社交媒体忽视的非西方本土语言社群。
2024-03-12 cs.SI physics.soc-ph
Community Question Answering Platforms vs. Twitter for Predicting Characteristics of Urban Neighbourhoods
University College London（伦敦大学学院）
在本文中，我们调查是否可以使用来自社区问答（QA）平台的文本来预测和描述现实世界的属性。我们的实验预测范围广泛的62个人口统计属性的伦敦街区。我们使用的文本来自Yahoo！答案，并将我们的结果与从Twitter微博获得的结果进行比较。结果表明，预测的人口统计属性之间的相关性使用文本从雅虎！答案讨论和观察到的人口统计属性可以达到平均皮尔逊相关系数\r{ho} = 0.54，略高于使用Twitter数据获得的预测。我们的定性分析表明，从两个数据集中提取的最高相关术语与其相对的人口统计属性之间存在语义相关性。此外，相关性突出了雅虎中包含的信息的不同性质！答案和Twitter前者似乎提供了更多的科普内容，而后者提供了与当前社会文化方面或现象有关的信息。
2017-01-17 cs.CL cs.SI
SUper Team at SemEval-2016 Task 3: Building a feature-rich system for community question answering
FMI, Sofia University “St. Kliment Ohridski”（索非亚大学“圣克利门特·奥赫里德斯基”数学与信息学院）；ALT Research Group, Qatar Computing Research Institute, HBKU（卡塔尔计算研究所ALT研究组（哈马德·本·哈利法大学））；IICT, Bulgarian Academy of Sciences（保加利亚科学院信息与通信技术研究所）
我们介绍了我们为参与SemEval-2016社区问答任务3而构建的系统。我们在子任务C上取得了最好的结果，在子任务A和B上取得了很好的结果，通过组合丰富的各种类型的特征：语义，词汇，元数据和用户相关。最重要的一组是问题和评论的元数据，在QatarLiving数据上训练的语义向量，以及子任务A和C的问题和评论之间的相似性，以及子任务B的原始问题和相关问题之间的相似性。
2021-09-26 cs.AI cs.CL cs.IR
Cultivating Online: Question Routing in a Question and Answering Community for Agriculture
基于社区的问答（CQA）平台如今正在用众包知识启发超过10亿人。CQA平台的一个关键设计问题是如何找到潜在的回答者，并为提问者提供及时和合适的答案，即，即所谓的\textit{question routing}问题。最先进的方法通常依赖于从问题文本中提取主题。在这项工作中，我们分析了问题路由问题的CQA系统命名为农场医生，是专门的农业知识。主要的挑战是，它的问题包含有限的文本信息。为此，我们进行了广泛的测量，并获得了由超过69万个问题和超过300万个答案组成的农场医生的整个知识库。为了弥补文本的不足，我们将“农医”建模为一个包含丰富边信息的异构信息网络，并基于网络表示学习模型为每个问题准确地推荐最有可能回答的用户。我们的方法可以帮助这些不太能言善辩的农民种植，并希望提供一种改善他们生活的方法。
2020-02-18 cs.SI
From Asking to Answering: Getting More Involved on Stack Overflow
像Stack Overflow和维基百科这样的在线知识平台依赖于一个庞大而多样化的贡献者社区。尽管努力促进新用户的加入，但成为核心贡献者的用户相对较少，这表明存在阻碍充分参与社区的障碍或障碍。本文探讨了堆栈溢出，一个广泛流行的问答社区的计算机编程等问题。我们记录了“泄漏管道”的证据，特别是平台上有许多活跃用户从未发布答案。以此为起点，我们调查了可能与新贡献者从提问到发布答案的转变有关的潜在因素。我们发现用户的个人特征，如任期，性别和地理位置，以及他们最活跃的子社区的特征，如其规模和负面社会反馈的流行程度，与他们发布答案的可能性有显着的关系。通过测量和建模这些关系，我们的论文提出了第一次看到的挑战和障碍，用户推广沿管道的贡献，在网上社区。
2020-10-08 cs.CY cs.SI
A Survey on Expert Recommendation in Community Question Answering
社区问答（CQA）代表了一种Web应用程序，人们可以通过提问和回答问题来交换知识。大多数现实世界的CQA系统面临的一个重大挑战是问题和潜在的好回答者之间缺乏有效的匹配，这对有效的知识获取和流通产生了不利影响。一方面，请求者可能会遇到许多低质量的答案，而不会在短时间内收到高质量的响应，另一方面，回答者可能会面临许多新的问题，而无法快速识别他们感兴趣的问题。在这种情况下，专家推荐成为解决上述问题的一种有前途的技术。专家推荐方法不是被动地等待用户浏览并找到他们感兴趣的问题，而是主动和及时地将用户的注意力提高到适当的问题。在过去几年中，从不同的角度对专家推荐问题进行了大量的努力。这些方法都有自己的问题，需要解决之前，专家推荐的优势可以完全接受。本文首先综述了CQA中专家推荐的研究成果和最新技术。接下来，我们总结和比较现有的方法，他们的优点和缺点，讨论了开放的问题和未来的研究方向。
2018-07-15 cs.IR cs.SI
DiffQue: Estimating Relative Difficulty of Questions in Community Question Answering Services
Amazon Pvt. Ltd（亚马逊私人有限公司）；Tower Research Capital India Pvt. Ltd.（塔研究资本印度私人有限公司）；MathWorks India Pvt Ltd（迈斯沃克印度私人有限公司）；IIIT-Delhi（德里英迪拉·甘地信息技术学院）
问题相对难度的自动估计是社区问答服务中的一个重要而具有挑战性的问题。有有限的研究，解决了这个问题。过去的研究主要利用用户回答问题的专业知识，很少考虑CQA服务的其他属性，如用户和帖子的元数据，时间信息和文本内容。在本文中，我们提出了DiffQue，一个新的系统，将这个问题映射到一个网络辅助的边缘方向性预测问题。DiffQue首先构建了一个新颖的网络结构，该结构捕捉了两个问题中不同的困难概念。然后，它通过预测网络中连接这两个问题的（虚拟）边的方向来测量两个问题的相对难度。它利用了从网络结构中提取的特征，用户/帖子的元数据以及问题和答案的文本描述。对从两个CQA网站（进一步分为四个数据集）获得的数据集进行的实验显示，DiffQue的性能明显优于四种最先进的方法（F1得分比最佳基线高28.77%，AUC高28.72%）。与其他基线相反，（i）DiffQue适当地响应于训练噪声，（ii）DiffQue能够适应多个域（CQA数据集），以及（iii）DiffQue可以有效地处理由于缺乏新发布的问题或新到达的用户的信息而可能出现的“冷启动”问题。
2019-06-01 cs.LG cs.SI stat.ML
Content associations with answer selection and engagement in supply chain community question answering
本研究以雅知惠物流相关社区问答语料为对象，探究名词及语义名词簇与最优答案选择、问题参与度的关联，发现两类名词分别对应不同结果，构建了该领域的相关描述性图谱。
2026-10-16 cs.CL cs.SI
QDEE: Question Difficulty and Expertise Estimation in Community Question Answering Sites
The Ohio State University（俄亥俄州立大学）
在本文中，我们提出了一个框架的问题难度和专业知识估计（QDEE）在社区问答网站（CQA），如雅虎！Answers和Stack Overflow，解决了众包中的一个基本挑战：如何将问题适当地路由和分配给具有适当专业知识的用户。这个问题领域一直是许多研究的主题，包括语言不可知论和语言意识的解决方案。我们带来了一个关键的语言无关的见解：用户获得专业知识，因此随着时间的推移，他们倾向于提出和回答更困难的问题。我们在流行的竞争（有向）图模型中使用这种洞察力，通过识别所述模型中的关键层次结构来估计问题难度和用户专业知识。这里的一个重要和新颖的贡献是“社会痛苦”的应用到这个问题域。新发布的问题（冷启动问题）的难度水平估计使用我们的QDEE框架和额外的文本功能。我们还提出了一个模型，根据问题的难度和用户的专业知识，将新发布的问题路由到适当的用户。在现实世界的CQA上进行了广泛的实验，例如Yahoo！Answers和Stack Overflow数据证明了我们的方法比当代最先进的模型更有效。QDEE框架还允许我们通过识别不同用户在此类CQA中所扮演的有趣模式和角色，以新颖的方式表征用户专业知识。
2018-04-20 cs.AI cs.SI
Topic Community Based Temporal Expertise for Question Routing
基于社区的问答网站中的问题路由旨在向最有可能提供“接受答案”的潜在用户推荐新发布的问题。大多数现有的方法基于用户过去的问答行为和新问题的内容来预测用户的专业知识。然而，这些方法在三个方面受到挑战：1）用户过去记录的稀疏性导致缺乏个性化推荐，有时不匹配用户的兴趣或领域专业知识，2）基于所有问题和答案内容的建模使得周期性更新在计算上昂贵，以及3）尽管CQA站点是高度动态的，但它们大多被认为是静态的。本文提出了一种新的QR方法，解决了上述挑战。它基于用户在主题社区上的活动的动态建模。在三个真实数据集上的实验结果表明，该模型的性能明显优于竞争基准模型
2022-07-05 cs.IR cs.SI
Toxicity and Cultural Entrenchment in Peer-Production Communities: Toward a Handbook on Intelligent System Design
毒害和滥用在在线同行生产社区中很常见。旨在产生准确和值得信赖的信息的同行生产社区的社会结构需要一些冲突和门“与”门保持，以刺激内容生产和策展。然而，冲突“与”门保持往往演变成等级权力结构，惩罚新来者，并通过根深蒂固的文化规范将边缘化群体拒之门外。社区管理员通常专注于内容质量，而不是考虑所有用户的安全，以促进社区的发展和生存。一旦有毒的文化规范主导了一个同伴生产社区，社区管理者就很难阻止这些行为破坏包容性的同伴生产。我们建议开发一个“智能系统设计手册”，试图框架设计协议，以更好地阅读用户社区文化，并准确区分有毒的负面互动有益的冲突。
2023-03-15 cs.HC cs.SI
Evaluating the Ebb and Flow: An In-depth Analysis of Question-Answering Trends across Diverse Platforms
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）
本研究分析六个高人气社区问答平台，发现首个响应时间与元数据、问题表述及用户互动相关，并利用传统机器学习模型预测快速获得初始响应的查询。
2024-03-15 cs.CL cs.IR cs.LG
