文献笔记4-CSDN博客

本文链接：https://blog.csdn.net/szx6984/article/details/128595205

一、文章信息

作者：严炜炜黄为温馨

单位：武汉大学信息管理学院

期刊：图书情报工作

题目：学术社交网络问答质量智能评价与服务优化研究

二、背景、目的、结论

背景：社会化媒体的普及和繁荣促使越来越多的学者利用社会化媒体获取和分享学术信息，因此也催生了专门针对学者设计的学术社交网络平台，如 Academia、 ResearchGate( RG) 等。

目的：学术社交网络所提供的问答服务已成为学者们快速获取学术信息、解决学术问题的重要途径，实现基于机器学习的问答质量智能评价和服务优化对学术社交网络中优质内容传播具有重要意义。

结论：SMOTE 算法在处理不平衡样本时具备有效性; 支持向量机在单一模型预测中，取得出色的分类效果; 组合模型使预测精度得到进一步提升，基于随机森林、支持向量机、BP 神经网络构建的组合模型分类性能最佳，以此为基础可通过搭建问答质量智能评价系统实现学术社交网络问答服务优化。

三、结果与讨论

本研究以RG 为对象,在构建答案质量评价体系和自动化评价模型的基础之上,开展基于问答质量智能评价的学术社交网络问答服务优化实证研究。采用机器学习方法实现 RG 平台的问答质量智能评价。

研究框架如下

选取研究已证实会对答案质量产生影响的评价指标构建出初步的评价体系，包含答案结构化特征、答案内容特征以及答案其他特征 3 个维度指标，并进一步针对 RG 平台的功能特点对回答者特征维度指标进行补充，构建完整的 RG 答案质量评价体系。

后选择 ID3 作为基线预测模型，选择 RF 和 SVM 作为分类预测模型，选用 BP 作为分类模型。

4 种分类模型的性能表现如下

对比上述结果可以发现,4种模型在对RG问答服务的答案质量进行分类预测时,皆出现分类结果向多数类偏移的不平衡分类问题(即分类器趋向于提供一个严重不平衡的精确度,多数类的精确度高,而少数类的精确度却十分低),从而导致预测失败,无法得到准确的结果,模型不具备检测出高质量的答案的能力(查准率、查全率和F1-score均偏低)。

随后通过SMOTE算法平衡后重新对模型进行分析，，4 种模型对高质量答案分类的查准率、查全率都有较大提升，能够满足高质量答案筛选的需求。

但,ID3决策树的性能表现相比于其他几类算法较差;随机森林和BP神经网络的性能较好且较为接近; SVM模型的表现最佳,其性能明显优于其他分类算法,有着最高的查准率、查全率和F1 -score。

最后通过模型组合进行预测，发现预测效果较单一模型预测有明显提升。由此可见，借助组合思想构建组合式答案质量预测模型在实现高质量答案筛选时具备有效性，可将组合模型应用于学术社交网络问答质量的智能评价之中。其中基于随机森林、支持向量机、BP 神经网络构建的组合模型分类性能最佳，以此为基础可通过搭建问答质量智能评价系统实现学术社交网络问答服务优化。

结论：实证研究结果揭示了从答案结构化特征、答案内容特征、答案其他特征、回答者特征 4 个角度筛选学术社交网络问答服务中的优质内容( 高质量答案) 的可行性和合理性，而通过采用机器学习方法，结合SMOTE 等数据增强技术，并基于组合思想构建组合式答案质量预测模型，则可有效实现高质量答案的筛选。此外，笔者还提出了问答质量智能评价系统设计与实现的整体思路，为 RG 以及其他学术社交网络平台优化其问答服务提供了参考与借鉴。