技术视角下社交问答平台问题和答案的相关研究进展
ChatGPT技术在智能问答社交平台中的应用前景展望
ChatGPT技术在智能问答社交平台中的应用前景展望近年来，人工智能的发展取得了重大突破，其中自然语言处理领域的ChatGPT 技术引起了广泛关注。
ChatGPT是由OpenAI开发的一种基于生成式对话模型的语言模型，其具备了在智能问答社交平台中应用的潜力。
本文将深入探讨ChatGPT 技术在智能问答社交平台中的应用前景，并分析其对用户体验、知识获取和社交交流等方面的影响。
一、提升用户体验ChatGPT技术作为智能问答系统中的一种创新应用，具备了优化用户体验的潜力。
传统的问答系统往往只能通过关键词匹配的方式提供相应的回答，很难解决用户的个性化需求。
而ChatGPT技术则可以通过模拟人类对话的方式进行交流，更加贴近用户的真实需求。
它可以理解用户的问题背后的意图，并提供更加准确、个性化的答案，从而提升用户的满意度和使用体验。
二、高效知识获取在智能问答社交平台中，用户通常希望能够快速获取到他们想要了解的知识。
ChatGPT技术通过自动问答方式，可以基于丰富的预训练数据帮助用户获取更多的知识。
不同于传统的搜索引擎，ChatGPT可以根据用户提供的问题，直接给出相应的答案，而不需要用户浏览大量的链接和文本。
这不仅提高了用户的效率，还降低了信息获取的门槛，使更多用户可以方便地获得所需知识。
三、促进社交交流智能问答社交平台的一个关键功能是用户之间的交流和互动。
ChatGPT技术在此方面也有着潜力的应用。
它可以模拟人类对话的方式，使得用户可以通过平台进行真实的交流。
不仅可以满足用户对问题的解答需求，还可以构建社区氛围，促进用户之间的交流和互助。
当用户在提问时，ChatGPT甚至可以进行主动对话，主动提醒用户相关问题和建议，增加用户的粘性和活跃度。
四、面临的挑战尽管ChatGPT技术在智能问答社交平台中应用前景广阔，但也面临着一些挑战。
首先是模型可解释性的问题，ChatGPT由于其复杂的结构和训练方式，导致很难解释具体回答的依据。
在线问答社区中的问题推荐技术研究
在线问答社区中的问题推荐技术研究在线问答社区近年来发展迅速，不仅成为人们获取信息和解决问题的重要途径，也成为了很多人分享经验和展示专业技能的平台。
在这样的社区中，出现了大量的信息和问题，如何让用户零距离接触到和解决这些问题，就需要进行问题推荐技术研究。
1. 问题推荐技术的意义在海量信息中寻找自己需要的问题并不容易，这时，一个好的问题推荐技术就显得尤为重要。
问题推荐技术能够帮助用户快速找到自己感兴趣的问题和解决方法，可以大大缩短用户寻找问题和回答的时间，提高用户使用社区的意愿和效率。
同时，对于社区运营者来说，推荐好的问题也可以提高社区的活跃度和参与度。
2. 问题推荐技术的应用问题推荐技术可以应用在社区的各个环节中，如首页、分类页、搜索页等。
在首页中，可以根据用户的历史浏览记录或关键词搜索记录推荐相关问题；在分类页中，可以结合用户浏览的分类和标签，为其推荐相关问题；在搜索页中，可以根据用户输入的关键词和过去的搜索历史为其推荐相关问题。
同时，问题推荐技术应能为不同用户群体提供个性化的推荐服务，以满足用户的不同需求。
3. 问题推荐技术的研究方向目前，问题推荐技术研究已经成为了热门的方向之一。
从模型的角度来看，问题推荐技术可以基于内容、基于用户和基于社交网络等多种模型。
其中，基于内容的推荐技术能够根据问题内容的相似度为用户推荐相似问题；基于用户的推荐技术则根据用户历史行为为其推荐相关问题；基于社交网络的推荐技术则能够结合社交关系为用户推荐相关问题。
另外，问题推荐技术研究还可以结合自然语言处理、机器学习和数据挖掘等技术，来提高推荐效果。
例如，通过人工智能技术分析问题和回答的情感色彩，为用户推荐更有针对性的问题；通过深度学习等技术，为用户推荐更具学习意义的问题等。
4. 问题推荐技术的实现不同的问题推荐技术都需要结合不同的算法和数据模型来实现。
在实现问题推荐技术时，需要考虑多个方面的因素，如用户行为、数据存储和计算资源等。
如何通过ChatGPT技术实现智能问答社交平台
如何通过ChatGPT技术实现智能问答社交平台智能问答社交平台的兴起与发展，为人们提供了一个新的交流和获取信息的方式。
以ChatGPT技术为核心，为用户提供智能化的问答服务，使得用户可以随时随地与这个虚拟智能助手进行沟通和交流，从而解决问题、获取信息和分享经验。
本文将探讨如何通过ChatGPT技术实现智能问答社交平台，并分析其在社交媒体、教育、医疗等领域的应用前景。
一、ChatGPT技术概述ChatGPT是由OpenAI开发的一种自然语言处理（NLP）技术，基于大规模预训练的语言模型。
它可以通过与用户的对话进行交互学习和适应，从而实现智能问答和对话功能。
ChatGPT的优势在于可以生成流畅、准确的回答，同时能够理解上下文和复杂的问题。
二、智能问答社交平台的概念和功能智能问答社交平台是基于ChatGPT技术的应用平台，旨在为用户提供智能化的问答、交流和社交服务。
其主要功能包括：1. 实时问答：用户可以随时向平台提问，平台通过ChatGPT技术分析问题并给出相应答案。
这种实时问答功能可以为用户提供即时获取信息和解决问题的途径。
2. 多语言支持：智能问答社交平台可以支持多种语言，并通过ChatGPT技术提供准确和自然的回答。
这使得用户可以与来自不同国家和地区的人进行交流和信息分享。
3. 社交互动：用户可以在智能问答社交平台上进行互动，包括评论、点赞、关注等。
这样的社交互动将使得用户之间的交流更加丰富和有趣。
4. 个性化服务：基于用户的历史记录和兴趣，智能问答社交平台可以提供个性化的服务和推荐。
通过ChatGPT技术的学习和适应能力，该平台可以为每个用户提供独特的体验。
三、在社交媒体中的应用智能问答社交平台在社交媒体中具有广泛的应用前景。
首先，它可以作为社交媒体平台的一个新增功能，为用户提供更方便和高效的问答服务。
用户可以通过与ChatGPT进行对话来获取信息、咨询意见和解决问题，从而丰富和提升了社交媒体的用户体验。
ChatGPT技术在社区问答与知识共享平台中的应用
ChatGPT技术在社区问答与知识共享平台中的应用随着互联网的不断发展，社区问答与知识共享平台在我们的生活中扮演着越来越重要的角色。
它们为用户提供了一个广阔的交流平台，使得用户可以通过互动的方式获取有价值的信息和知识。
然而，这些平台也面临着一些挑战，例如大量问题的提问和回答、回答的质量参差不齐等等。
为了解决这些问题，近年来，ChatGPT技术被应用在社区问答与知识共享平台中，取得了一些令人瞩目的成果。
ChatGPT技术是一种基于深度学习的自然语言处理技术，其核心是预训练模型，通过学习大规模的文本数据来理解和生成自然语言。
这种技术通过将问题和回答的历史数据输入预训练模型中进行学习，从而让模型能够理解和生成富有上下文的回答。
相较于传统的基于规则或统计的方法，ChatGPT技术具有更好的灵活性和泛化能力，能够处理更复杂的问题和提供更准确的回答。
在社区问答平台中，用户经常会提出各种各样的问题，而这些问题的答案往往散落在平台的不同角落。
为了提高问题的解答效率和准确性，一些平台引入了ChatGPT技术。
当用户提出一个问题时，ChatGPT技术可以搜索平台上的问题和回答历史，并基于其上下文生成一个富有信息的回答。
这样，用户不仅可以迅速获取到有用的答案，同时也可以避免了重复的提问，提高了平台的效率和用户体验。
除了问题回答之外，ChatGPT技术还可以在社区问答平台中发挥其他的重要作用。
比如，它可以帮助用户进行问题分类和标签推荐。
当用户提出一个问题时，ChatGPT技术可以通过学习历史数据的方式，判断问题所属的类别，并为问题自动添加适当的标签。
这样一来，平台的问题分类更加准确，用户也可以更方便地找到自己感兴趣的话题和问题。
另外，ChatGPT技术还可以用于问题的相似性匹配和推荐。
当用户提出一个问题时，ChatGPT技术可以将该问题与平台上的其他问题进行比较，找到最相关的问题，并将其推荐给用户。
这样，用户不仅可以找到一个可能更准确的答案，同时也能够发现其他相关的有价值的内容。
深度学习技术在智能问答系统中的应用研究
深度学习技术在智能问答系统中的应用研究智能问答系统是指人工智能领域的一种应用技术，通过计算机系统准确理解用户提问并给出相应的答案。
随着深度学习技术的快速发展，其在智能问答系统中的应用也越来越广泛。
本文将从问题理解、答案生成和评估等方面探讨深度学习技术在智能问答系统中的具体应用。
一、问题理解阶段问题理解是智能问答系统中的重要一环，它涉及到对用户提问进行语义解析，确保准确理解用户意图。
深度学习技术在问题理解阶段的应用主要体现在以下几个方面：（1）语义相似度计算语义相似度计算是判断两个句子之间语义相关程度的任务，它在问题理解阶段中起到了关键作用。
深度学习技术中的词向量模型，如Word2Vec和GloVe等，能够将单词转化为向量表示，通过计算向量之间的相似度来判断两个句子之间的语义相似度。
（2）实体识别和链接实体识别和链接是指将问题中的实体识别出来，并与知识库中的实体进行链接，从而为后续答案生成提供支持。
深度学习技术中的命名实体识别模型，如BiLSTM-CRF和BERT等，能够有效地识别出问题中的实体，并将其与知识库中的实体进行关联。
二、答案生成阶段答案生成是智能问答系统中的核心环节，它需要根据问题的语义和知识库中的信息生成准确的答案。
深度学习技术在答案生成阶段的应用主要体现在以下几个方面：（1）序列到序列模型序列到序列模型是指将一个序列映射为另一个序列的模型，它在答案生成中有着广泛的应用。
深度学习技术中的循环神经网络（RNN）和注意力机制，如LSTM和Transformer等，能够将输入问题序列转化为相应的答案序列。
（2）知识图谱的利用知识图谱是一种有机结合实体关系和属性的知识表示模型，能够为答案生成提供丰富的背景知识。
深度学习技术中的图神经网络（GNN），如GraphSAGE和GAT等，能够有效地利用知识图谱中的信息，帮助生成准确的答案。
三、答案评估阶段答案评估是智能问答系统中的重要一环，它需要对生成的答案进行准确性和相关性的评估。
ChatGPT技术在虚拟问答社区中的应用与问题回答与用户互动的问答对话生成方法研究
ChatGPT技术在虚拟问答社区中的应用与问题回答与用户互动的问答对话生成方法研究随着人工智能技术的迅猛发展，ChatGPT等自然语言处理技术逐渐成为虚拟问答社区的重要组成部分。
ChatGPT是一种基于生成式对话模型的技术，通过学习大规模的对话数据，能够生成人类般的自然语言回答。
本文将探讨ChatGPT技术在虚拟问答社区中的应用以及问题回答与用户互动的问答对话生成方法的研究。
一、ChatGPT技术在虚拟问答社区中的应用ChatGPT技术的问答模型可以被广泛应用于虚拟问答社区，为用户提供个性化的问题回答和交流服务。
在虚拟问答社区中，用户可以提出各种问题，而ChatGPT模型可以根据已有的训练数据对问题进行解答。
以类似人类对话的方式进行回答，使得用户能够获得更加灵活、自然的解答体验。
另外，ChatGPT技术还可以应用于一些特定领域的问答社区，如医疗咨询、法律咨询等。
通过结合领域专家的知识和ChatGPT技术，可以提供更加准确、专业的问题解答服务。
这对于那些需要特定领域专业知识的用户来说，将是一种难得的便利。
二、问题回答与用户互动的问答对话生成方法的研究问题回答与用户互动的问答对话生成方法的研究是提高ChatGPT技术在虚拟问答社区中应用效果的关键。
目前，主要有以下几个方向的研究：1. 生成模型的拓展：ChatGPT技术仍然存在一些问题，如对于长文本的处理能力较弱，容易产生无意义、重复或不连贯的回答。
因此，研究者们致力于改进ChatGPT技术的生成模型，提高其对于复杂问题的理解和回答能力。
2. 多模态信息的融合：在虚拟问答社区中，用户提问往往不仅仅是通过文字形式进行的，还可能包含图片、语音等多模态信息。
因此，研究者们也在探索如何将多模态信息与ChatGPT技术相结合，实现更全面、准确的问题回答与用户互动。
3. 用户个性化需求的考虑：不同用户对于同一个问题可能会有不同的需求和偏好，因此，研究者们也开始考虑如何在回答问题时，根据用户的个性化需求，提供定制化的回答。
社交问答平台答案有用性评价影响因素研究
品牌战略与电子商务现代商贸工业２０１９年第１０期５６㊀㊀社交问答平台答案有用性评价影响因素研究谢陈博(武汉理工大学,湖北武汉４３００７０)摘㊀要:W e b ２．０时代背景下,以知乎㊁qu o r a 为代表的社交问答平台逐步取代了传统的搜索式问答网站.为了探索社交问答平台中答案有用性的影响因素,以说服的双过程模型为理论基础,考虑答题者社会性因素影响,提出研究假设,并基于代表性社交问答平台的客观数据进行分析.研究结果表明,答案长度㊁答案及时性和答题者内向中心度能正面影响答案有用性,其中答题者内向中心度的影响最大,答题者答题能力㊁答题者外向中心度和答案有用性之间关系并不显著.关键词:社交问答平台;说服的双过程:社会性因素;答案有用性中图分类号:F ２７㊀㊀㊀㊀㊀文献标识码:A㊀㊀㊀㊀㊀㊀d o i :１０．１９３１１/j．c n k i ．１６７２Ｇ３１９８．２０１９．１０．０２８１㊀引言社会化问答平台是W e b ２．０时代背景下知识共享的互联网创新应用.相比于百度知道㊁新浪爱问这些传统的捜索式问答平台,社会化问答以 社交关系 和 问答机制 为基本特征.社会化问答平台通常不依靠某个权威机构或专家提供信息,而是采用U G C (用户生产内容)的方式,每个使用者同时兼具信息接收者和信息提供者的双重角色.社交关系的加入促进了U G C 内容的生产,但同时也让答案采纳更加容易受到粉丝效应的影响,可能会破坏问答质量的权威性.为了分析社交问答平台答案有用性影响因素,特别是社会性因素的影响,本文对知乎客观数据进行了实证研究,并依据分析结果给网站管理者和用户提出了建议.２㊀研究现状和理论基础２．１㊀相关研究现状目前,对社交问答平台的研究多集中在知识共享和用户动机方面,杨海娟(２０１４)采用问卷调查的方法,构建了影响社会化问答网站用户贡献意愿的模型.研究表明利他主义㊁互惠对用户贡献态度有显著影响.J i n ,L i &Z h o n g ,e t a l (２０１５)通过对知乎上１５００个用户的数据进行分析,研究了用户在社交问答平台中分享知识的原因,认为自我表达,同行认可和社会学习对用户知识贡献行为有正向激励作用.在社交问答平台问答信息质量方面,Z h uZ ,B e r n Ｇh a r dD (２００９)等采用专家分析㊁用户调研以及比较法,提炼并总结了判定问答社区回答质量的十三个维度(相关性㊁信息量㊁完整性㊁客观性等),并建立了问答社区多维质量评估模型.I s h i k a w a (２０１４)等人从Y a h o o!C h i e b u k u r o (日文数据)中７４４３个回答为研究样本,邀请专家将回答归为三类(满意的答案㊁部分相关的答案㊁完全无关的答案),得出判断答案质量高低的标准包括:回答者的经验㊁答案包含的支持性证据等.曹高辉,胡紫祎(２０１６)等采用网络调研的方式,研究了答案质量感知的外部线索影响,结果表明用户感知答案信息质量时所采用的外部线索包括信息利用线索㊁信息认同线索等.就现有的文献而言,学者更多地关注社交问答平台中知识共享的动机,而对共享的知识本身的研究并不多,且大多是通过问卷调查,或是依靠专家的经验对数据进行解释归纳,对网站客观数据的实证分析较少.２．２㊀研究理论基础说服是信息传播与处理的最基本形式之一,定义为个体接收别人发出的信息而产生态度或行为的改变.在众多说服过程模式中,C h a i k e nS (１９８０)提出的H S M (H e u r i s t i c －S ys t e m a t i c M o d e l ,启发－系统式模型)和P e t t y RE ,C a c i o p po JT (１９８６)提出的E L M (E Ｇl a b o r a t i o nL i k e l i h o o d M o d e l ,精细加工可能性模型)是两个最具代表性的双过程模型.H S M ㊁E L M 已经被广泛用于广告营销㊁消费者行为等领域研究.为了研究在线情境下的信息传播,S u s s m a n 和S i e ga l (２００３)以E L M 为基础,提出了I AM (I n f o r m a t i o nA d o p t i o n M o d Ｇe l,信息接受模型),如图１所示.该模型分别将信息内容质量和信息源可靠性作为E L M 中的中心路径和边缘路径,直接影响信息接收者感知信息有用性,并最终影响对信息的采纳行为.图１㊀信息接受模型３㊀研究假设图２㊀答案有用性理论模型现代商贸工业２０１９年第１０期５７㊀说服的双过程模型在在线评论领域已经有了较多的应用,用户在社交问答平台中对答案的采纳行为与对在线评论信息的采纳行为较为相似,因此本文将说服的双过程模型作为研究的理论基础,在边缘路径考虑答题者的社会网络属性,综合答案特征和答题者特征两方面考察答案有用性的影响因素.３．１㊀答案特征３．１．１㊀答案长度答案长度能反映答题者的重视程度,态度越认真的答题者往往给出的答案越长,这在一定程度上保证了长答案比短答案具有更高的质量.另外,在在线评论的领域中已有研究表明评论长度会刺激评论阅读者仔细浏览,加深或改变原有的态度,提高对产品或服务的认知度,抵消用户的不确定性,因此评论长度对其感知有用性有正向作用.因此,提出如下假设.H １:答案长度与答案有用性正相关.３．１．２㊀答案及时性在在线评论信息的领域中,已有研究认为信息的及时性是评论内容质量的关键维度,影响消费者对于该评论的消费者有用性评价.对于知乎的问答,知乎的问题页面下默认只会显示排在靠前位置的数个答案.晚些发表的答案会被排在后面,要看到这些答案需要点击 查看全部回答 .获取这些信息需要额外的搜寻成本,会对答案的感知有用性产生负面影响.因此,提出如下假设.H ２:答案及时性与答案有用性正相关.３．２㊀答题者特征３．２．１㊀答题者答题能力说服的双过程模式表明,当信息接收者沿着边缘路径处理信息时,最重要线索往往是信息源的可靠性,直接影响信息接收者的基本判断.信息源的可靠性可以从两个维度衡量:可信任度㊁专业能力.在问答网站的情境下,答题者的可信任度和专业能力也是用户在对答案进行评价时会采用的启发式原则.因此,提出如下假设.H ３:答题者答题能力与其答案有用性正相关.３．２．２㊀答题者网络中心度从社会网络视角分析,中心度是分析网络中节点特性分析的关键步骤,是衡量个体在社会网络中影响力的重要指标.基于Y o u T u b e 在线数据的实证研究表明,视频内容创作者所链接的订阅者越多,那么该视频易于得到正向评价,并进一步加速视频内容的传播与扩散.在社交问答平台中,用户创作的答案同样会受到其社会网络中心度的影响.因此,提出如下假设.H ４a :答题者内向网络中心度与其答案有用性正相关.H ４b:答题者外向网络中心度与其答案有用性正相关.４㊀研究方法４．１㊀数据采集知乎是目前国内最大的社交问答平台.由于用户数量庞大,在热门问题下回答数量会达到上万条,知乎在每个回答下设置了’赞同」㊁’反对」㊁’感谢作者」和’没有帮助」四种操作,’赞同」和’反对」是对阅读到的答案进行投票.’感谢」表示对该作者的回答行为表示感谢,’没有帮助」表示该答案对自己没有价值,并采用了基于用户话题权重和赞同反对票数的威尔逊得分算法来对答案进行排序,本文选取知乎中的两个没有标准答案的主观开放性问题 如何长时间高效学习? 有什么知识,你知道后你的世界马上就不一样了? 作为研究对象,尽可能避免答案观点正误和时事评论类问题时效性因素的影响.于２０１７年１１月１３日用p yＧt h o n 爬虫爬取两个问题下非匿名用户的２７７８条答案的答题者信息和答案内容信息,去除已注销用户的回答和未获得赞同的答案,共９９６组数据.爬取数据的描述性统计分析结果如表１所示.表１㊀数据描述性统计分析数据名称最小值最大值均值标准差答案赞同数１１２０９６９４２５．５４９７７．２答案长度１３２７６７９８４．４２５４５．２答案发布日期问题１２０１５０２２５２０１７１１２８//问题２２０１５１２１８２０１７１２０１//答题者总赞同数１１３４８３５３２０９９４．３９０２４９．６答题者总回答数１１３３６６２１１．６７２０．６３答题者粉丝数量０３７７５８４６３６０．４２７１４３．５答题者关注用户数量０５６５４１８５．１４４０．６４．２㊀研究变量研究模型包含６个变量,答案有用性以答案赞同数作为测度指标.在自变量方面,答案长度以评论全文的字数为测度指标,答案及时性以该答案发表日期减去首条答案发表日期的天数进行测度,两者均属于答案特征;评论者特征主要从社会网络视角出发,网络内向中心度以该答题者关注者(粉丝)数量为测度指标,网络外向中心度则以该答题者关注的用户数量为测度指标,答题者的答题能力以历史答案的平均赞同数(答题者的答案总数/答题者获得的总赞同数)为测度指标.所有变量均使用知乎网上抓取的真实数据.对变量的描述性统计分析如表２所示.表２㊀变量描述性统计分析变量名称最小值最大值均值标准差答案有用性１１２０９６９４２５．５８４９７７．２３答案长度１３２７６７９８４．４０２５４５．２８答案及时性０１００７１９４．９７２７８．８９答题者答题能力０．１０１４６２３１２９．７３６２７．１９答题者内向中心度０３７７５８４６３６０．４４２７１４３．５８答题者外向中心度０５６５４１８５．１４４４０．６３４．３㊀研究方法本研究需要考察多个因素对同一结果的影响,因此选用多重线性回归模型作为理论验证的计量模型.表达式如下:Y ＝b ０＋b １X i １＋b ２X i ２＋ ＋b n X i n ＋e i(１)公式(１)中,Y 为因变量,X i １－i n 表示n 个自变量,b ０为截距,e i 为残差.品牌战略与电子商务现代商贸工业２０１９年第１０期５８㊀㊀５㊀结果与讨论５．１㊀研究结果本文将自变量分为答案特征㊁答题者答题能力㊁答题者网络中心度三块分块进入回归模型,如表３所示,由模型的决定系数可以得出３个模型解释度是在增进的,即加入新的解释变量之后模型均有所改进㊁拟合度更优.变量在各模型中的V I F 值均在１左右,不存在共线性问题.表３㊀分析结果自变量类型变量名模型一模型二模型三βV I FβV I FβV I F答案特征答案及时性０．０９２∗∗１．１１９０．０９４∗∗１．１１９０．０８５∗∗１．１３４答案长度０．２５０∗∗∗１．１１９０．２１５∗∗∗１．１６１０．１７６∗∗∗１．１８９答题者特征答题者答题能力０．１７２∗∗∗１．０４５０．０６５n s１．２５３答题者外向中心度０．２６４∗∗∗１．２７５答题者内向中心度０．０１０n s １．０２６模型决定系数R２０．０５６０．０８４０．２２６㊀㊀注:∗∗∗,p ＜０．００１;∗∗,p＜０．０１;n s ,不显著;V I F ,方差膨胀因子.㊀㊀对结果进行分析.模型Ⅰ考察答案特征与因变量的相关关系,其中答案长度对答案有用性呈现显著地正向相关(β＝０．２５０,p ＜０．００１).答案及时性也与答案有用性存在显著相关性(β＝０．０９２,p ＜０．０１),证实了答案发表越晚,越难得到赞同.在模型Ⅰ的基础上,模型Ⅱ加入了答题者答题能力对因变量的影响,答题能力对答案有用性有显著的正向影响(β＝０．１７２,p ＜０．００１).在模型I I I 中加入了答题者社会网络特征,即内向中心度和外向中心度.结果表明,在加入了社会网络特征后,答题能力的影响不再显著,而是非常接近显著性水平(β＝０．０６５,p ＝０．０５１).答案长度㊁答案及时性仍然显著地影响评论答案有用性,系数方向㊁显著性检验并未由于加入答题者社会网络特征而有所改变.答题者内向中心度对答案有用性的影响显著且系数最大(β＝０．２６４,p ＜０．００１),而答题者外向中心度的影响并不显著(β＝０．２６４,p ＞０．０５).模型I I I 的决定系数较模型Ⅱ有大幅提高,并且答题者内向中心度的系数大于其他系数,证实了答题者的内向中心度对答案有用性的贡献最大,假设检验结果如表４所示.表４㊀假设检验结果H １:答案长度与答案有用性正相关成立H ２:答案及时性与答案有用性正相关成立H ３:答题者的答题能力与其答案有用性正相关不成立H ４a:答题者的内向网络中心度与其答案有用性正相关成立H ４b:答题者的外向网络中心度与其答案有用性正相关不成立５．２㊀结果讨论研究结果较好地验证了研究模型,证实了中心路径和边缘路径都对答案有用性产生了影响,同时说明了答题者内向网络中心度这样的社会性因素的重要影响.在答案特征方面,答案长度和答案及时性都和答案有用性有显著的正相关关系.在答题者特征方面,答题者答题能力对答案有用性有正向影响,但是在答题者社会网络特征进入模型后影响不再显著.可能有两方面原因:一是答题者历史回答的平均赞同数不能完全代表答题者的答题能力,因为在不同领域下,答题者的经验技能水平是不同的,历史答案质量不能代表当前答案的质量.二是部分优质答案因为答题者的影响度不够或因为回答较晚答案曝光度不够.答题者的外向中心度对答案有用性的影响不显著,而内向中心度影响显著且影响程度最大.原因可能是知乎的关注功能作用是单向的,关注者(粉丝)能随时获得被关注者的最新动态(提问㊁回答㊁收藏㊁点赞等),而被关注者无法得到关注者的动态,因此外向中心度对答题者答案的传播和曝光度影响并不大.内向中心度对答案有用性的影响是多方面的,一方面部分粉丝的盲目相信被关注者,会增加答案赞同数.另一方面粉丝能即时看到答题者的回答,直接增加了答案的曝光度,同时在问题下答案较少时,粉丝的第一时间点赞会让答案排序提升,显示在问题首页,进一步提高了答案的曝光度.６㊀总结与建议实验结果证实了在知乎这样的社交问答平台中,社交机制,特别是关注功能的加入让答案的赞同更多的受到了答题者影响力,即内向中心度的影响,而减弱了答题者答题能力和答案质量的重要性.内向中心度高的中心用户,通常是在某些领域内的专业人士,其在非自身专业领域下的一些并不优质的答案也能得到大量采纳,这是对一些内向中心度低的普通用户的不公.这种情况出现的原因:一方面是部分粉丝对关注者的盲目支持;另一方面是知乎答案排序㊁推送和管理方式的不完善.本文对社交问答平台用户和管理者提出以下建议.对于用户:维护问答质量需要每一个用户的共同努力,社交问答平台作为以U C G 为主的平台,每个用户既是内容的生产者也是内容的接受者,问答质量的降低会影响所有用户的使用体验.因此每一次对答案的赞同都应该是对答案有用性的认可,而不是对关注者的盲目支持.受到大众关注的中心用户应该避免随意发表低质量的内容,更多地承担起对问答质量的维护责任.对于社交问答平台:目前大部分社交问答平台都采用让用户投票决定答案排序的模式,如果不采取监督措施,完全依靠用户来决定最佳答案,等于是将平台现代商贸工业２０１９年第１０期５９㊀的内容质量完全交给用户来决定,对于平台的长期发展是不利的.平台应该探索更合理的答案排序和推送方式,增加初始排位靠后的优质答案的曝光度,并对关注动态推送设置一定的延迟,减少粉丝带来的曝光度的影响.同时,在各个话题模块下选择具有对应专业知识且具备管理能力的管理者,及时对中心用户发表的没有价值的高票答案进行必要的处理,让其他优质答案能够得到因有的关注.参考文献[１]A l t o nY．K．C h u a ,S n e h a s i s hB a n e r j e e ．S o f a s t s o g o o d :A n a n a l y Ｇs i s o f a n s w e r q u a l i t y a n da n s w e r s p e e d i nc o m m u n i t y Que s t i o n Ｇa n s w e r i n g si t e s [J ]．JA mS o c I n f S c iT e c ．,２０１３,(１０)．[２]O hS a n gh e e ．T h ec h a r a c t e r i s t i c sa n d m o t i v a t i o n so fh e a l t ha n Ｇs w e r e r s f o rs h a r i n g i n f o r m a t i o n ,k n o w l e d g ea n de x p e r i e n c e si n o n l i n e e n v i r o n m e n t s [J ]．J o u r n a l o f t h eA m e r i c a nS o c i e t y fo r I n Ｇf o r m a t i o nS c i e n c e a n dT e c h n o l o g y ,２０１２,６３(３):５４３Ｇ５５７．[３]J i a h u a ,L i Y i j u n ,Z h o n g X i a o j i a ,e ta l ．W h y u s e r sc o n t r i b u t e k n o w l e d g e t o o n l i n e c o m m u n i t i e s :A n e m p i r i c a l s t u d y of a n o n l i n e s o c i a lQ&Ac o m m u n i t y [J ]．I n f o r m a t i o n &M a n a ge m e n t ,２０１５,５２(７):８４０Ｇ８４９．[４]Z h uZ ,B e r n h a r dD ,G u r e v yc hI ．A M u l t i ＧD i m e n s i o n a lM ode lf o r A s s e s s i ng th eQ u a li t y o fA n s w e r s i nS o c i a lQ&AS i t e s [C ]//I n Ｇt e r n a t i o n a l C o n f e r e n c eo nI n f o r m a t i o n Q u a l i t y ,I c i q ２００９,H a s s o P l a t t n e r I n s t i t u t e ,U n i v e r s i t y o fP o t s d a m ,G e r m a n y ,N o v e m b e r ．D B L P ,２００９:２６４Ｇ２６５．[５]I s h i k a w aD ,K a n d o N ,S a k a iT．W h a t M a k e saG o o d A n s w e r i nC o m m u n i t y Q u e s t i o nA n s w e r i n g ?A nA n a l ys i s o fA s s e s s o r s ＇C r i Ｇt e r i a [J ]．R e s e a r c h ．n i i ．a c ．j p,２０１２．[６]曹高辉,胡紫祎,张煜轩,胡守敏．基于外部线索的社会化问答平台信息质量感知模型研究[J ]．情报科学,２０１６,３４(１１):１２２Ｇ１２８＋１３４．[７]C h a i k e n S ．H e u r i s t i cv e r s u ss y s t e m a t i ci n f o r m a t i o n p r o c e s s i n ga n dt h eu s eo fs o u r c ev e r s u s m e s s a gec u e s i n p e r s u a s i o n ．[J ]．J o u r n a lo f P e r s o n a l i t y &S o c i a l P s y c h o l o g y,１９８０,３９(５):７５２Ｇ７６６．[８]P e t t y R E ,C a c i o p p oJ T．E l a b o r a t i o n l i k e l i h o o d m o d e l [C ]//A d Ｇv a n c e s i nE x p e r i m e n t a l S o c i a l ．２００１:１９７Ｇ２１６．[９]S u s s m a nS W ,S i e g a l W S ．I n f o r m a t i o n a lI n f l u e n c ei n O r g a n i z a Ｇt i o n s :A n I n t e g r a t e dA p p r o a c h t oK n o w l e d g eA d o pt i o n [J ]．I n f o r Ｇm a t i o nS ys t e m sR e s e a r c h ,２００３,１４(１):４７Ｇ６５．[１０]C h e nC C ,T s e n g Y D ．Q u a l i t y e v a l u a t i o n o f p r o d u c t r e v i e w s u s i n ga n i n f o r m a t i o n q u a l i t y f r a m e w o r k [M ]．E l s e v i e rS c i e n c eP ub l i s h Ｇe r sB ．V．２０１１．[１１]Z h a n g K Z K ,L e e MK O ,Z h a oSJ ．U n d e r s t a n d i n g th eI n f o r m a Ｇt i o n a l S o c i a l I n f l u e n c eo fO n l i n eR e v i e w P l a t f o r m s [C ]//I n t e r Ｇn a t i o n a lC o n f e r e n c e o nI n f o r m a t i o n S ys t e m s ,I c i s２０１０,S a i n t L o u i s ,M i s s o u r i ,U s a ,D e c e m b e r ．D B L P ,２０１０:７１．[１２]S m i t hT ,C o y l eJ R ,L i g h t f o o tE ,e t a l ．R e c o n s i d e r i n g Mo d e l so f I n f l u e n c e :T h eR e l a t i o n s h i p b e t w e e nC o n s u m e rS o c i a lN e t w o r k s a n d W o r d Ｇo f ＧM o u t hE f f e c t i v e n e s s [J ]．J o u r n a l o fA d v e r t i s i n g Re Ｇs e a r c h ,２００７,４７(４):３８７Ｇ３９７．[１３]S u s a r l aA ,O h JH ,T a nY．S o c i a lN e t w o r k s a n d t h eD i f f u s i o no fU s e r ＧG e n e r a t e dC o n t e n t :E v i d e n c e f r o m Y o u T u b e [J ]．I n f o r m a Ｇt i o nS ys t e m sR e s e a r c h ,２０１２,２３(１):２３Ｇ４１．[１４]如何正确使用知乎的 赞同㊁反对㊁感谢㊁没有帮助 功能? 知乎官方账号回答[E B /O L ]．h t t p s ://w w w．z h i h u ．c o m /q u e s Ｇt i o n /１９５８１５１２[１５]知乎如何对回答进行排序?你的一票很重要 知乎产品专栏[E B /O L ]．h t t p s ://z h u a n l a n ．z h i h u ．c o m /z h i h u Ｇpr o d u c t /１９９０２４９５．基于时序预测和主成分分析的电视剧热度研究车睿佳(郑州外国语学校,河南郑州４５０００１)摘㊀要:电视剧的热度是衡量电视剧质量水平的重要指标之一,在一定程度上反映了一个国家的文化软实力.在前人诸多研究基础上,利用自回归模型对收视率进行了时间序列预测,并对自回归模型进行了平滑滤波改进,实现了更好的预测性能.之后,对１０个影响电视剧热度的因素进行了综合分析,并利用主成分分析的方法降低维度,最终得到了综合考虑各种因素的热度指标.利用新定义的热度指标对２０１７年电视剧进行排序,发现该指标与单一的收视率或播放量相比,确实更能反映出电视剧的综合影响力.关键词:自回归模型;主成分分析;播放量;收视率;电视剧热度中图分类号:F ２７㊀㊀㊀㊀㊀文献标识码:A㊀㊀㊀㊀㊀㊀d o i :１０．１９３１１/j．c n k i ．１６７２Ｇ３１９８．２０１９．１０．０２９１㊀前言电视剧是社会文化和潮流的重要载体,其中优秀的电视剧一直引领着时代的潮流趋势.传统的电视剧质量衡量指标以收视率为主,随着 多屏播放 时代的到来,播放量也渐渐成为衡量电视剧影响力的重要指标.然而,无论是单纯的收视率还是单纯的播放量,都不足以客观㊁全面地衡量一个电视剧的热度.针对这一问题,国内有很多专家学者已经进行过研究.毋世晓等人提出视频的点击量和搜索次数会随着开播时间的推移而呈逐渐下降的趋势,而邢亚彬等人在研究成果中指出收视率可能由于样本等原因使收视率受到较大影响.周小普等人在«多屏发展背景下网络收视度的影响因素研究以热播电视剧为例»中引入了 多屏指标 来衡量上电视剧的热度,为播放量和收视率的研究提供了非常大的参考价值.在前人工作的基础上,本文建立并优化了自回归模型,并进行了平滑滤波优化,对研究对象电视剧的收视率变化趋势进行了预测;之后,创新性地对１０个影响电视剧热度的因素进行了综合分析,并利用主成分分析的方法降低维度㊁最终得到了综合考虑各种因素的热度指标.２㊀数据来源与预处理在所有的国产电视剧中,本文选取了具有代表性的电视剧样本作为研究对象.电视剧的筛选标准主要。
基于大数据分析的社交网络问答系统研究
基于大数据分析的社交网络问答系统研究随着互联网技术的不断发展，社交网络已成为许多人日常生活中必不可少的一部分。
社交网络不仅成为人与人之间交流的重要平台，也成为了获取知识信息的重要途径。
越来越多的人通过社交网络提出问题，获得解答，也有越来越多的人愿意提供自己的经验和知识去帮助别人。
而社交网络问答系统的出现，则使得社交网络成为了一个更便捷、更高效的知识获取和分享平台。
社交网络问答系统是基于社交网络的一个问答平台，它将社交网络与问答系统相结合，将信息的获取和传播变得更加快捷、直接。
而在这样一个平台上，大数据分析开始被人们广泛运用。
一、社交网络问答系统的优点社交网络问答系统具有许多优点，如：海量的知识信息资源、共享经验和知识的机会、提高人们的社交和交流能力、促进交流、提高信息获取和传播的速度等。
而且，社交网络问答系统还具有这样的特点：①开放的、自由的交流环境；②关注为主导的关系建立模式；③以知识共享和传播为核心。
社交网络问答系统的优点得到了广泛认可，但同时其也存在一些问题：如信息过度分享、答案产生不确定性、部分用户恶意回答等问题。
这些问题的存在，让社交网络在便捷性和准确性之间面临一定的矛盾。
这也就需要在社交网络问答系统的建设中加入大数据分析的技术手段，提高其信息获取和传播的效率，保证问答内容的准确性。
二、大数据分析在社交网络问答系统中的应用目前，社交网络问答系统是面向海量用户的，在这么多问题和答案中，如何寻找到用户需要的信息，如何高效率、高准确地筛选出可靠回答，这就需要借助大数据分析技术。
1.基于用户画像的建立通过大数据技术建立用户画像，了解用户需求，并建立一个用户推荐系统，可以将最有可能回答用户问题的其他用户推荐给该用户，更大概率地获得问题的回答。
2. 关键词提取和文本分类在海量数据中，如何高效地查找用户所需关键字，并分类整理成相应的问题/标签，这是社交网络问答系统中的关键问题。
基于大数据分析，可以快速高效地进行关键词提取和文本分类，并建立标签体系，将海量问题进行有效分类。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
生 成 内容 开展 了大 量的 研究 。 文 综述 了 问题 分 类 、 推荐、 检 索 方面 的研 究 ， 总 结 了 答案 评价 方 面 的 研究 进 展 ， 包 括 回答 者 的评 价和 答 案本 身 的评 价 两个 方面 ， 最后 指 出 了一 些潜 在 的研 究 机会 。
［ 关键 词 ］ 社交 问答 用户 生 成 内容 问 题 分类 问题检 索 答案 评价
ｄ ａ ｔ ｉ ｏ ｎ ，ｑ ｕ ｅ ｓ ｔ ｉ ｏ ｎ ｒ ｅ ｔ ｒ ｉ ｅ ｖ ａ Ｉ ，ｅ ｘ ｐ ｅ ｒ ｔ ｄ ｉ ｓ ｃ ｏ ｖ ｅ ｒ ｙ ｉ ｎ ａ ｎ ｓ ｗｅ ｒ ｅ ｒ ｓ ａ ｎ ｄ ａ ｎ ｓ ｗｅ ｒ ｅ ｖ ａ ｌ ｕ ａ ｔ ｉ ｏ ｎ ．Ｐ ｏ ｔ ｅ ｎ ｔ ｉ ａ ｌ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｐ ｐ ｏ ｒ ｔ ｕ —
［ Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ］Ｓ ｏ ｃ ｉ ａ ｌ ｑ ｕ ｅ ｓ ｔ ｉ ｏ ｎ ａ ｎ ｄ ａ ｎ ｓ ｗ ｅ ｒ （ ｓ ｏ ｃ ｉ ａ ｌ Ｑ ＆ Ａ ） ｐ ｌ ａ ｔ ｆ ｏ ｒ ｍ ｓ ｂ ｒ ｏ ａ ｄ ｅ ｎ ｔ ｈ ｅ ｗ ａ ｙ ｏ ｆ ｏ ｎ ｌ ｉ ｎ ｅ ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ ａ ｃ －
技 术 视 角 下 社 交 问答 平 台 问 题 和 答 案 的 相 关 研 究 进 展
赵 一鸣 姚 丹 邓 胜 利
（ 武 汉 大学 信 息 资 源 研 究 中 心 ， 武汉， ４ ３ ０ ０ ７ ２ ）
［ 摘
要］ 社交问答改变了用户在线获取信息的方式 ， 研究者对社交问答中的问题、 答案等用 户
Ｚｈ ａ ｏ Ｙｉ ｍｉ ｎ ｇ Ｙａｏ Ｄａｎ Ｄｅｎ ｇ Ｓｈ ｅｎ ｇ
（ Ｃ ｅ ｎ ｔ ｅ ｒ ｆ ｏ ｒ Ｓ ｔ ｕ ｄ ｉ ｏ ｓ ｏ ｆ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ Ｒ ｅ ｓ ｏ ｕ ｒ ｃ ｅ ｓ ， Ｗｕ ｈ ａ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｗｕ ｈ ａ ｎ ， ４ ３ ０ ０ ７ ２ ）
问 答平 台 Ｙ ａ ｈ ｏ ｏ ！Ａ ｎ ｓ ｗｅ ｒ ｓ排 在 参考 咨 询 类 网
站 的榜 首 … 。相 较 于 Ｆ ａ ｃ ｅ ｂ ｏ ｏ ｋ 、 Ｔ ｗｉ ｔ ｔ ｅ ｒ 等 社 交媒 体 平 台 ， 社 交 问答 中 的文 本 内 容 更 丰 富、
ｅ ｖ ａ ｌ ｕ ａ ｔ ｉ ｏ ｎ
１ 引 言
社 交 问答 自出现 以来 ， 用 户 点击 量 一直 持 续 增长 ， 在 Ａｌ ｅ ｘ ａ的 ２ ０ １ ４年 网 站 排 名 中 ， 社 交
信 息 可靠 性更 高 ， 因此 很 多学 者 热 哀 于针 对 社
交 问答 平台 展开 研 究 。 社 交 问答 设 立 的 动 机 是 为 用 户 提 供 一 个 提 出和 解答 问题 的 平 台 ， 其成 功 的关 键 在 于 用
ｎ ｉ ｔ ｉ ｅ ｓ ａ ｎ ｄ ｄ ｉ ｒ ｅ ｃ ｔ ｉ ｏ ｎ ｓ ａ ｒ ｅ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｅ ｄ ａ ｎ ｄ ｄ ｉ ｓ ｃ ｕ ｓ ｓ ｅ ｄ ａ ｌ Ｉ ａ ｓ ｔ ．
［ Ｋ ｅ ｙ ｗ ｏ ｒ ｄ ｓ ］Ｓ ｏ ｃ ｉ ａ ｌ Ｑ＆ Ａ Ｕ ｓ ｅ ｒ ｇ ｅ ｎ ｅ ｒ ａ ｔ ｅ ｄ ｃ ｏ ｎ ｔ ｅ ｎ ｔ Ｑ ｕ ｅ ｓ ｔ ｉ ｏ ｎ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ Ｑ ｕ ｅ ｓ ｔ ｉ ｏ ｎ ｒ ｅ ｔ ｒ ｉ ｅ ｖ ａ ｌ Ａ ｎ ｓ ｗ ｅ ｒ
［ 中图分类号］Ｇ ３ ５ ０ ［ 文献标识码］Ａ ［ 文章编号］２ ０ ９ ５ － ２ １ ７ １ （ ２ ｏ １ ５ ） ０ ４ — ０ ０ ３ ２ — ０ ７
Ｄ ＯＩ ： １ ０ ． １ ３ ３ ６ ５ ／ ｊ ． ｊ ｉ ｒ ｍ． ２ ０ １ ５ ． ０ ４ ． ０ ３ ２
Ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ Ｐ ｒ ｏ ｇ ｒ ｅ ｓ ｓ ｏ ｎ Ｑｕ ｅ ｓ ｔ ｉ ｏ ｎ ｓ ａ ｎ ｄ Ａ ｎ ｓ ｗｅ ｒ ｓ ｉ ｎ Ｓ ｏ ｃ ｉ ａ ｌ Ｑ ＆ Ａ Ｐ ｌ ａ ｔ ｆ ｏ ｒ ｍｓ ： Ａ Ｔ ｅ ｃ ｈ －
ｎ ｏｌ ｏ ｇｙ Ｐ ｅ ｒ ｓ ｐ ｅ ｃ ｔ ｉ ｖ ｅ
ｃ ｅ ｓ ｓ ｆ ｏ ｒ ｕ ｓ ｅ ｒ ｓ ，ａ ｎ ｄ ｕ ｓ ｅ ｒ ｓ ｐ ｏ ｓ ｔ ｔ ｏ ｎ ｓ ｏ ｆ ｑ ｕ ｅ ｓ ｔ ｉ ｏ ｎ ｓ ａ ｎ ｄ ａ ｎ ｓ ｗｅ ｒ ｓ ｏ ｎ ｔ ｈ ｏ ｓ ｅ ｐ ｌ ａ ｔ ｆ ｏ ｒ ｍｓ ．Ｔ ｈ ｅ ｇ ｒ ｏ ｗｉ ｎ ｇ ｐ ｏ ｐ ｕ ｌ ａ ｒ ｉ ｔ ｙ ｏ ｆ ｓ ｏ ｃ ｉ ａ ｌ Ｑ ＆Ａ ｐ ｌ ａ ｔ ｆ ｏ ｒ ｍｓ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｓ ｇ ｒ ｅ ａ ｔ ａ ｃ ａ ｄ ｅ ｍｉ ｃ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｐ ｐ ｏ ｒ ｔ ｕ ｎ ｉ ｔ ｉ ｅ ｓ ａ ｎ ｄ ｎ ｏ ｖ ｅ ｌ ｃ ｈ ａ ｌ ｌ ｅ ｎ ｇ ｅ ｓ． Ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ａ ｉ ｍｓ ｌ ｏ ｒ ｅ ｖ ｉ ｅ ｗ ａ ｎ ｄ ｓ ｙ ｎ ｔ ｈ ｅ ｓ ｉ ｚ ｅ ｔ ｈ ｅ ａ ｄ ｖ ａ ｎ ｃ ｅ ｓ ｏ ｆ ｓ ｏ ｃ ｉ ａ ｌ Ｏ ＆Ａ ｓ ｔ ｕ ｄ ｉ ｅ ｓ ｏ ｎ ｑ ｕ ｅ ｓ ｔ ｉ ｏ ｎ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ．ｑ ｕ ｅ ｓ ｔ ｉ ｏ ｎ ｒ ｅ ｃ ｏ ｍｍｅ ｎ