Leveraging linguistic traits and semi-supervised learning to single out informational content across how-to community question-answering archives

علاوه بر این، مدل های پیشنهادی ما اهرم های متنوعی از ویژگی های زبانی-انگیزه مانند تحلیل احساسات و تجزیه و تحلیل وابستگی و همچنین به رسمیت شناختن نام سازمان را دربر می گیرند. نتایج ما نشان می دهد که ویژگی هایی که از تجزیه و تحلیل های مورفولوژیکی و احساسات گرفته شده اند، اثبات شده اند که تحت چارچوب نیمه نظارتی موثر هستند. در هزینه های هزینه های حاشیه نویسی، این مدل های نیمه نظارتی مبتنی بر زبانی، به ترتیب به ترتیب 84.25٪ و 74.41٪ برای طبقه بندی سوالات و پاسخ ها به دست آمد. علاوه بر این، ما تاثیر خودکار شناسایی نگرش های اطلاعاتی / غیر اطلاعاتی را در بازیابی بهترین پاسخ ها، یعنی بهبود 12.12٪ از نظر دقت در یک اندازه می سنجیم.