کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
9952368 1449509 2018 30 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Visual potential expert prediction in question and answering communities
ترجمه فارسی عنوان
پیش بینی ویژۀ بالقوه متخصص در پرسش و پاسخ به جوامع
کلمات کلیدی
پرسش و پاسخ به جوامع، پیش بینی کارشناسان بالقوه، یادگیری ماشین تعاملی، تجزیه و تحلیل ویژوال،
ترجمه چکیده
موفقیت جوامع پرسش و پاسخ (پرسش و پاسخ) عمدتا به سهم کارشناسان بستگی دارد. با این وجود، تنگنای دستگاه برای شناسایی این کارشناسان به محض اینکه آنها در یک جامعه شرکت می کنند ناشی از نبود فعالیت های کافی در حین مشارکت سریع کاربران است. برای مقابله با آن، ما تجربه کسب و کار انسان را به پیش بینی متخصص بالقوه با ترکیب یادگیری ماشین و تجزیه و تحلیل بصری می رسانیم. در این کار، ما یک سیستم تجزیه و تحلیل بصری برای شناسایی کارشناسان بالقوه نیمه اتوماتیک پیشنهاد می کنیم. پس از اینکه الگوریتم یادگیری ماشین نتایج متخصصان را به ارمغان می آورد، تحلیلگران می توانند مجموعه ای از کاربران علاقه مند را که احتمالا متخصص هستند مبهم قرار دهد و اطلاعات کاربر و الگوهای رفتار آن کاربران را از طریق طراحی تجسم داده های چند بعدی بررسی کند. در نهایت، سیستم ما مدل تحلیل گران را از هویت های اعضای جامعه می گیرد و سپس دانش را برای الگوریتم یادگیری ماشین خلاصه می کند. بنابراین، تحلیلگران می توانند الگوریتم یادگیری ماشین و فرآیند پیش بینی را هموار کنند. ارزیابی کمی با داده های واقعی برای نشان دادن اثربخشی سیستم ما مورد مطالعه قرار گرفته است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
چکیده انگلیسی
The success of Question and Answering (Q&A) communities mainly depends on the contribution of experts. However, there is a bottleneck for machine to identify these experts as soon as they participate in a community due to lack of enough activities during users' early participation. To tackle that, we bring human's business experience to potential expert prediction by combining machine learning and visual analytics. In this work, we propose a visual analytics system to identify potential experts semi-automatically. After the machine learning algorithm gives the result of the expert probability, analysts can locate a set of interested users whose expert probability is ambiguous and check the user information and behavior patterns of those users via the design of multi-dimension data visualization. Finally, our system models analysts' knowledge of the community members' identities, and then abstracts the knowledge quantificationally for machine learning algorithm. Thus, analysts can modify machine learning algorithm and the prediction process smoothly. A quantitative evaluation with real data has been studied to demonstrate the effectiveness of our system.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Visual Languages & Computing - Volume 48, October 2018, Pages 70-80
نویسندگان
, , , ,