在线支付问答社区中的成本效益最佳决策

Y. Zheng, X. Zhang, and Y. Xiao. 2018. Making the Most Cost-effective Decision in Online Paid Q&A Community: An Expert Recommender System with Motivation Modeling and Knowledge Pricing. In, April 23-27, 2018, Lyon, France, IW3C2, 8 pages. DOI: https://doi.org/10.1145/3184558.3186349 1. INTRODUCTION 3650在在线付费问答社区中做出最具成本效益的决策：一个基于动机建模和知识定价的专家推荐系统0摘要0在在线付费问答社区（OPQC）中，向知识买家推荐合适的专家是一个重要问题。现有的在线专家推荐方法主要集中在利用语义相似性和社交网络影响力，而根据个体动机进行个性化推荐并没有得到太多关注。本文提出了一个个性化专家推荐系统，将买家的知识动机、社交影响力和金钱融合到一个统一的框架中。作为认知计算的创新应用，我们的推荐系统能够为用户提供最佳匹配的专家，以帮助他们在OPQC中做出最具成本效益的选择。为此，我们采用段落向量技术在多层信息检索（IR）框架中构建领域知识库（KB）。然后，我们根据买家的查询和出价在双边垄断知识市场的背景下进行知识定价。之后，引入基于马尔可夫链的用户动机学习方法来找到最佳匹配的专家。最后，我们使用从两个OPQC收集的数据集来评估所提出的方法。实验结果显示出令人鼓舞的成功，有效地提供了合理的个性化选项。作为解决OPQC中专家匹配问题的创新方法，本研究提供了根据用户动机定制推荐启发式算法的灵活性，并展示了其对于更高比率的最佳知识卖家-买家匹配的贡献。0CCS概念 • 信息系统 → 推荐系统；• 计算方法学 →知识表示与推理0关键词：专家推荐；知识定价；动机建模0本文发表在知识共享署名-非商业性使用-禁止演绎 4.0国际许可证下。作者保留在个人和公司网站上传播作品的权利，并进行适当的归属。WWW '18 Companion，2018年4月23日至27日，法国里昂。©2018IW3C2W3，根据知识共享CC BY 4.0许可证发布。ACM ISBN978-1-4503-5640-4/18/04。DOI: https://doi.org/10.1145/3184558.31863490ACM参考格式：0在知识经济和开放创新时代，除了组织内部的知识外，组织外部的知识也被视为提升组织竞争力和创新能力的重要资源[1]。越来越多的关注被付诸于从外部知识市场获取知识[2]。知识市场是一个买卖个人知识的环境，买家和卖家按照规定的价格和交易模式进行交易[3]，例如在线付费问答社区（OPQC）。将知识视为商品，OPQC是一个基于价格的在线知识市场，买家寻找与其需求相匹配的知识提供者，并邀请他们提供付费问答服务。OPQC有助于解决知识共享困境。最重要的是，通过付费问答服务的收入来调节低效益和高知识共享成本之间的不平衡。特别是，在信息技术的帮助下，在线知识市场已被证明在促进知识共享和知识传播方面发挥了重要作用[4,5]。首先，交易为在线知识提供者带来了经济激励。根据社会懒散理论，由电子市场提供的声誉、口碑和知识质量增强了知识共享的可见性，并减轻了共享知识的不情愿[6]。其次，信息技术为在线知识市场中的资源搜索和供需匹配提供了支持，消除了知识交易双方之间的信息不对称，提高了知识传播的效率[7]。除了被动知识发现外，推荐机制对于知识市场也非常重要[8]。根据用户的偏好和需求进行推荐已被证明对用户的满意度有显著的正面影响[9]。然而，在OPQC中进行专家推荐是一个极其复杂的任务，不仅需要考虑基于知识的推荐，还需要考虑用户的动机。0Yunhao Zheng 天津大学中国天津zhengyhjohn@tju.edu.cn0Xi Zhang 天津大学中国天津jackyzhang@tju.edu.cn0Yuting Xiao 天津大学中国天津xiaoytzoe@tju.edu.cn0Track: 认知计算 WWW 2018，2018年4月23日-27日，法国里昂 3660知识交易过程中动机和认知因素的影响。知识买家对Q&A服务的需求通常是由于缺乏领域知识或知识库[10]。这表明知识买家很可能对他们查询的领域不熟悉。因此，对于知识买家来说，准确找到最合适的知识卖家是困难的，他们可以满足他们个性化的知识需求。此外，信息的爆炸性增长和黄页中知识分类的复杂性使得在Q&A专家中进行高效搜索更加困难[8]。因此，在专家的领域知识和用户问题的上下文基础上，基于知识的推荐系统对于OPQC至关重要。此外，定价机制是OPQC中知识交易最重要的激励因素之一。过高的Q&A服务价格会减少知识交易的数量，并导致知识交互的不活跃水平。与此同时，低于成本的服务价格无法满足知识供应商的期望，将抑制他们参与知识交易的意愿。本文的主要价值在于：我们提出了一种早期解决在线付费Q&A社区（OPQC）中专家推荐问题的方法；在模型中，我们分析和建模了用户参与OPQC活动的动机，并创造性地采用知识定价机制进行专家选择；我们的方法使用来自活跃OPQC的大规模数据集进行评估。结果表明，我们的模型在准确性和召回率方面表现良好。0在本节中，我们的目标是从过去的问答记录中提取专家的领域知识，并在新的查询进来时找到最佳匹配。为了实现我们的目标，我们首先介绍了我们的知识库构建和专家个人资料建模方法，以概念和实例的语义描述来描述专业知识。然后，我们介绍了我们的OPQC知识表示框架。最后，我们提出了新查询的相似度度量方法。02.1 文档嵌入0在自然语言处理中，文档嵌入，也被称为分布式词表示[12]，用于用低维实值向量表示文档和查询。在经典的向量空间模型[13]中，给定一个可用于训练的文本文档语料库D，空间中的每个文档都由一个向量表示。0(θ1, θ2, ..., θn),表示文档中知识概念的加权注释。然后，两个文本的语义相似度可以计算为两个质心向量的余弦度量[8]：0cos(θ1, θ2) = θ1 ∙ θ2 ||θ1|| × ||θ2|| (10以前用于估计词的连续表示的架构在[14-18]中提出。在我们的模型中，我们实现了段落向量，这是一种最先进的无监督框架[18]，用于对OPQC中的问题文本进行文档嵌入。在将每个问题投影到向量空间之后，我们在图1中提供了专家知识空间的直观可视化1。02.2 知识表示0在本文中，我们假设我们在知识社区中有一组M个专家：E = {e1,e2, ...,en}。对于每个专家ei，我们有他/她的知识概况，由一组Q&A记录表示：Ln是与一个专家对应的问题的最大数量。在OPQC中，除了支付了费用的用户外，答案对用户是隐藏的，因此为了训练专家的知识概况，我们用一个元组表示每个Q&A记录：(θi, j = 1,2, ...,Ln)，其中θi,j是经过文档嵌入后问题j的向量化描述，θi,j表示根据用户反馈的答案质量。我们认为在OPQC中，更高的答案质量意味着更多的积极反馈。因此，θi,j的值越大，表示相关领域的专业知识越好。0图1：知识向量空间示例0在提取问题文本到知识概念后，我们对质量矩阵进行转换，以形式化和可处理的方式表达领域专业知识：0� = � × �，(2)0因此，� �,� ∈ [0,1] 衡量了专家的专业知识强度。0对于领域概念 c k ∈ C，有 � � ∈ E。01. 主成分分析（PCA）用于降维。0Track: 认知计算 WWW 2018，2018年4月23日至27日，法国里昂 To provide an overview of our knowledge representation method, we present our multilayer framework adapted from an ontology-based personalization framework [19] in Fig. 2, with the following three layers: a) Item layer D contains N raw text documents of ques-tion description; b) Knowledge layer C contains K knowledge concepts after document embedding, with weighted semantic annota-tions �� = (��,�, ��,�, … , ��,�); c) User layer E contains M expert entities, whose domain knowledge is represented as weighted expertise�� =(��,�, ��,�, … , ��,�). +(1 − �)(3) 3670专业知识0语义注释0专家（M）0知识概念（K）0问题文本（N）0领域知识0E0C0D0图2：知识表示框架；改编自[19]02.3 查询编码和专业知识度量0通过上述介绍的知识表示方法，我们使用了一个两阶段的检索模型来进行查询编码。在第一阶段，知识购买者发出一个描述用户知识需求的新查询，然后将其投影到向量空间中作为 qd。第二阶段与[20]中的相似，其中查询通过推理机制在知识库中进行处理，返回一组知识概念 qc。编码后，可以通过(1)中的余弦相似度计算查询与专家领域知识的相似度。为了应对不完整的知识库[21]（即查询的相应概念实例在知识源中缺失，因此纯基于知识的相似度度量可能表现不佳），我们将领域概念相似度与文本语义相似度相结合，以进行复杂的专业知识度量，因为在我们的实验中，文本语义相似度在这种情况下可能表现更好。因此，给定专家的历史问答记录，当一个新的查询q 检查进来时，可以推断出专家在相关领域的领域知识强度为：0� � (��)  � )0�0�=1 � �,�0�0�=10其中 t 默认设置为0.5，并可以根据具体情况进一步调整。03. 用户动机建模0在OPQC中，知识购买者在寻求知识服务时有多种动机。为了更好地满足不同类型需求的用户，我们的系统采用了多种预先设计的动机模型来进行专家推荐。在本节中，我们基于广泛接受的理论定义了三种类型的动机模型。首先，基于自利理论提出了知识利润，考虑到知识购买者的成本效益分析，以及创造性地采用知识折旧的影响[23,24]。其次，从社会资本理论的角度提出了社会效益，考虑到专家的中心性[25]。最后，考虑到用户在OPQC中意图获得额外收入的特殊情况下添加了第三种动机，即货币收入，这种情况被称为“窃听”。03.1 知识利润0从理性人假设的角度来看，知识买家倾向于选择相关领域中最有资质和最有声望的专家，以最大化服务中预期的知识价值。鉴于知识在OPQC中是以价格出售的，我们在本小节中使用定价因素来建模知识利润，以区分对于知识买家来说最有价值的专家。我们首先讨论OPQC的一些市场特征。在知识交易市场中，一件知识只连接一个卖家和一个买家。换句话说，知识服务是定制的，因此双方都有极大的议价能力。OPQC的另一个典型特征是信息不完全，这意味着卖家不知道他的知识对于买家的实际价值。同样，买家对卖家的实际知识成本了解甚少。因此，卖家的出价主要由他对知识成本的估计决定；买家的出价主要由他对知识效用的估计决定。根据上述讨论的特点，我们将知识交易市场视为一种新型的双边垄断市场，并提出了知识定价的方法。定义3.1（知识成本）知识成本是指知识卖家的成本，主要指的是知识共享后的竞争力损失。尽管卖家的知识成本对买家来说是未知的，但可以通过他的出价p_s来估计。在本文中，我们采用均匀分布来表示知识成本，即服从� � ~�(0, � �)。由此可得：0定义3.2（知识效用）知识效用是指对于买家而言知识的价值。对于同一件知识，不同的买家可能有不同的知识效用。在知识市场中，我们假设买家清楚地知道问题对他们的价值，因为他们是知识服务的对象。因此，我们认为买家的出价p_b是经过慎重考虑的，可以真实地代表买家对知识效用的评估。然而，答案的质量是一个不确定因素。一个好的答案可以创造出远远超出买家期望的价值，而一个粗心的答案可能只有有限的效用。在本文中，我们用高斯分布来近似这种不确定性，即服从� � ~ N (� � , � � )。由此可得：0Track: 认知计算 WWW 2018，2018年4月23日至27日，法国里昂 (8) 3680知识买家倾向于选择相关领域中最有资质和最有声望的专家，以最大化服务中预期的知识价值。鉴于知识在OPQC中是以价格出售的，我们在本小节中使用定价因素来建模知识利润，以区分对于知识买家来说最有价值的专家。我们首先讨论OPQC的一些市场特征。在知识交易市场中，一件知识只连接一个卖家和一个买家。换句话说，知识服务是定制的，因此双方都有极大的议价能力。OPQC的另一个典型特征是信息不完全，这意味着卖家不知道他的知识对于买家的实际价值。同样，买家对卖家的实际知识成本了解甚少。因此，卖家的出价主要由他对知识成本的估计决定；买家的出价主要由他对知识效用的估计决定。根据上述讨论的特点，我们将知识交易市场视为一种新型的双边垄断市场，并提出了知识定价的方法。定义3.1（知识成本）知识成本是指知识卖家的成本，主要指的是知识共享后的竞争力损失。尽管卖家的知识成本对买家来说是未知的，但可以通过他的出价p_s来估计。在本文中，我们采用均匀分布来表示知识成本，即服从� � ~�(0, � �)。由此可得：0u p Pr u p  � 0� � � (5)0其中� � = 1/� �(q��)。公式（5）表明，如果一个专家在查询q��中具有较大的� � (��)值，那么预期的知识效用将更加集中在买家的出价周围。定义3.3（知识折旧）知识折旧是指随着时间的推移，知识效用的下降，因为持续的竞争和知识的传播降低了知识的稀缺性。以信息形式存储的知识没有物理折旧。然而，在大规模的OPQC中，知识不断传播，并在价格驱动下与激烈的竞争碰撞，这导致知识稀缺性的下降。在线知识买家倾向于偏好实时的问答服务，否则，他们可能会在在线服务中失去青睐，转而寻求其他方式，如书籍或面对面咨询。在这种情况下，延迟较长的知识将具有较低的竞争力，因此价值较低。因此，我们认为知识折旧是影响OPQC中知识定价的一个重要因素。在我们的模型中，我们应用指数项来表示买家随时间动态下降的知识效用：0其中λ是折旧系数，t是根据专家的在线激活情况预期的回答间隔时间。由于知识交易的特性决定了我们不能使用边际成本来进行知识定价，根据传统经济学的观点，Chatterjee和Samuelson[13]认为在信息不完全的情况下，纳什均衡下的交易价格p* ∈[c,u]，交易剩余u-c将被双方分配。经过无限的讨价还价，最终的交易价格将为[13, 23]：0s b p c u c (7)0其中δs和δb分别是卖方和买方的折扣率，反映了双方的耐心。当潜在竞争对手数量较多时，δs会很小。因为买家有更多的选择会激励卖家更渴望出售他们的知识。同样地，当买家急于寻找解决问题的知识时，δb会很小。因此，在我们的模型中，我们计算买家的交易剩余来定义OPQC中预期的知识利润：0i b i i 0� � � � � � � � � � � �03.2 社会利益0除了知识交流，用户还通过在线社区中的互动建立社会联系，这被视为他们的社会资源。正如社会资本理论所建议的那样，社会资本包括个体社交网络中各种类型的资源，对知识分享行为有很大影响[25]。具体而言，我们定义了以下类型的OPQC用户连接：关注、问答、窃听和点赞。图3展示了一个专家的社交网络。0问题0关注0关注0关注0窃听0关注0图3：OPQC中的社交网络0一般来说，位于网络中心的专家吸引更多的用户流量和关注，同时在他的社区中拥有更高的权威和更大的声音。此外，当一个知识买家从专家那里获取知识服务时，他的身份和问题描述将在专家的主页上公开。然后，买家可以从专家的社会资本中受益，因为他们有机会接触到更多的知识资源，并有建立新连接的潜力。考虑到以上事实，设计了以下激励模型，以满足那些通过知识交易寻求最大社会利益的用户。为了估计OPQC中专家的社会资本，我们首先将每个专家的中心度[26]初始化为网络中连接的用户数量：0在OPQC中，如家，则data为10��� (9)000i k i k e u �  e u � � � �0然后，考虑到相邻专家权威的交叉效应，采用PageRank方法[27]来更好地区分OPQC中那些有影响力的专家。在时间t时的PageRank中心度可以计算如下：0Track: Cognitive Computing WWW 2018, April 23-27, 2018, Lyon, France where A is the normalized adjacency matrix that represents all connections between nodes. ����� computes the out-degree of expert node �� in network. α is the importance of adjacent ex-pert’s centrality. For example, a user in OPQC is followed by an expert with high centrality at time t-△t. At the next time t,he be-comes more important in the network with increasing centrality due to social influence of the authorized expert. (13) min��(�, x) = min�12� �(ℎ�(�(�)) − �(�))����� (14) 3690在OPQC中，如果关注了某个专家，则data为1，否则为0在OPQC中，如果专家和用户相连，则data为1，否则为003.3经济收入0OPQC的一个有趣特点是“一美元窃听”功能，使其他知识买家只需支付一美元就可以窃听私密答案，而不论答案的原始价格如何。这一美元的收入平均分给原始知识卖家和买家。这一新颖的功能有助于激励高质量的问答，因为它奖励提问者（买家）和回答者（卖家）来自潜在窃听者的额外金钱。中国最大的两个OPQC都应用了这一机制来推广低成本的知识传播。通过观察我们的数据集中的用户行为，我们发现通过选择好的专家和提问技巧，一些用户每次提问都能赚取相当可观的金额。0因此，考虑到用户通过在OPQC中提问来赚钱的需求，我们将专家的“盈利能力”定义为根据过去的问答记录对窃听的吸引力的度量：0窃听0� � 0Σ(11)04.个性化推荐0在本节中，我们介绍了个性化专家推荐方法。我们的目标是找到最符合知识买家需求的专家，即在知识、社交和经济回报方面最“划算”的专家。首先，引入一个优化框架[28]来根据不同的标准聚合专家排名。然后，我们介绍了用于专家推荐模型的学习方法。0问答记录0领域知识提取盈利度度量0知识定价预期经济收入0用户行为0社交网络构建0专家中心性0排名聚合回归分析0专家推荐列表0统一动机学习框架0图4：个性化推荐框架04.1基于马尔可夫链的排名聚合0给定多个动机模型获得的个体专家排名，我们引入了网络搜索中的排名聚合框架[29]来进行全面的专家推荐。首先，定义一些符号。给定一组专家E，与E相关的前k个排名列表是一个或0τ(k) = [ e 1 ≥ e 2 ≥ …≥  e k ]，e i ∈E。不失一般性，我们假设≥表示降序。在我们的模型中，令� 1 ，�2 和� 3分别表示与最优知识利润、社交效益和经济收入标准相关的排名列表。然后，我们定义了类似于元搜索[28]中的马尔可夫链：如果当前状态是专家e i，则下一个状态e j是从在随机选择的排名列表�中排名高于或等于e i的所有专家中均匀选择的。然后，过渡矩阵被计算为基本排名者的过渡概率矩阵的加权算术平均值，其中权重θ表示知识买家在这种情况下的动机[28]：0l l l P = θ P (12)0l l j i ij P m τ � ≥ � = � ��0其中m表示在列表�中排名高于或等于专家e i 的专家数量。04.2动机学习0在上述引入的框架下，我们将学习问题的输入定义为专家e i在列表l中的百分位数，也被视为他在子列表中的得分。同时，向量�(�)被定义为表示真实情况的向量，其中由提问者选择的实际专家值为1，其他专家值为0。该问题可以使用回归模型来解决，在用户偏好获取方面已经展示了很强的预测能力[31]。学习问题的公式化如下：0Track: 认知计算 WWW 2018, 2018年4月23日-27日, 法国里昂ℎ���(�)� = �(���(�))�������(�) (15) ∂�(��)∂��= 1� �(ℎ���(�)� − �(�))��(�)���� (16) ��������@� = #����� ��������������|�����| (17) 3700其中   � � �� (�) � 计算推荐专家 e i的概率。在学习中，我们的目标是最小化真实值和输出推荐列表之间的不一致性。学习细节见(16)和算法1。01: 初始化  �  为随机值 ∈ [0,1]  2:  重复 3:对于 k 在 [1,2,3] 中循环 4:   更新 � �  ←  � �  − ε∂�( � � ) ∂ � � 5:   结束循环 6:  直到收敛0算法1: 动机学习05. 实验结果0我们对真实的OPQC数据集进行了多次实验，以评估我们的专家推荐系统的性能。05.1 实验数据0我们通过两个OPQC的大规模真实数据来评估所提出的方法。这两个社区都是非常受欢迎的，拥有活跃的领域专家和知识买家，每天都会产生成千上万的知识交易。两个平台的运营模式相似。专家在他们的个人资料中描述他们的专业领域，并为回答每个问题设置自己的单位价格。同时，知识买家向理想的专家发送问题描述，然后在支付价格后获得个性化的知识服务。以语音形式回答的答案可以被其他用户窃听，每次窃听需要支付一美元，其中一半作为奖励原始提问者和回答者。 数据集A .数据集包括7,227个专家，4,477个知识买家和171,534个交易记录。每个交易记录包含卖家和买家的ID、交易价格、窃听次数、点赞次数和问题内容。 数据集B .数据集包括2,663个专家，542个知识买家和14,336个交易记录。值得注意的是，这两个数据集中少于5个交易记录的专家和知识买家被移除，因为实验专家的领域知识和用户的动机将在极其有限的训练数据下产生高度偏差。05.2 评估指标0在我们的实验中，我们从数据集中随机选择了10个知识买家。对于每个知识买家，将前80%的问答记录用作训练数据，将后20%用作测试数据。我们学习模型并为具有新查询的知识买家获得前k个推荐列表。为了研究推荐系统的整体性能，0我们使用两个评估指标，包括Accuracy@k[30]和Recall@k。Accuracy@k (A@k).为了评估我们的推荐结果的有效性，我们采用了[30]中使用的指标。具体而言，对于测试集Stest中的每个问答记录，我们计算每个潜在专家的得分，然后得到与买家的新查询相对应的推荐列表的前k个。如果真实的专家包含在列表中，我们定义它为有效推荐，否则为无效推荐。Accuracy@k通过测试集中有效推荐的比例计算得出。0Recall@k (R@k) .Recall@k被定义为评估发现潜在目标专家的能力。对于每个知识买家，只有在训练集中进行过知识交易的专家被定义为潜在目标，这表明当买家提出新问题时，他们有可能再次成为交易伙伴。类似地，对于每个测试案例，我们计算推荐列表中潜在专家的比例，以评估系统召回潜在目标的能力。整体的Recall@k通过所有测试案例的平均值计算得出。0A@k = ∑ #正确推荐的专家数 / #推荐的专家数 (18)05.3 推荐性能0在本小节中，我们分别介绍了我们的推荐系统在我们的数据集上的实验性能。由于OPQC的理念最近才出现并且引起了很少的关注，我们在实验中缺乏基准进行比较。然而，我们的结果可以被视为未来比较和改进的探索工作。0(a)  A@k                     (b) R@k0图5：对数据集A的推荐0图5、6报告了两个数据集上的A@k和R@k结果，其中k为1、5和10。整体准确率令人满意，数据集A的平均A@10为0.358，数据集B为0.380，这意味着在所有测试案例中，超过三分之一的情况下，用户选择的实际专家能够准确地位于前10名并被推荐。这证明了我们的推荐系统能够有效捕捉用户的动机，找到匹配的专家，然后在OPQC中生成合理的推荐。0Track: 认知计算 WWW 2018，2018年4月23日-27日，法国里昂 3710还观察到召回率在用户之间存在很大差异。对于那些过去购买行为中具有单一强烈动机的用户，召回率通常较高，可以高达0.8（见图6b）。对于其他相对“平衡”动机的用户，我们的系统在发现潜在目标专家方面表现出稳定的性能。0(a)  A@k                     (b) R@k0图6：对数据集B的推荐0图7直观地展示了数据集A中被选择的提问者的动机参数θ。根据图表，OPQC中的知识交易动机确实因提问者而异，正如我们之前所假设的。它显示出一些提问者似乎是纯粹的知识追求者，总是在寻找最专业的专家；而有些明显是积极的金钱赚家，在提问之前会付出努力来针对最有利可图的专家。因此，在这种情况下，纯粹的知识匹配或网络关系导向的方法无法提供准确的推荐。0图7：动机参数 θ05.4 讨论0在实验中，我们将由知识买家选择的实际回答者专家视为基本事实。然而，由于用户在现实中的视野有限，他们的选择可能并不是最优选择。因此，鉴于OPQC用户的固有限制，我们的研究的意义在于通过学习过去的行为动机，使用户能够轻松获得潜在的完美匹配。换句话说，我们的推荐系统为他们提供了更广泛的个性化有价值的专家信息视角，从而提高了卖家-买家匹配的成功率。另一个值得注意的发现是系统的性能0随着更多的训练样本，性能可能不会持续增加。如图8所示，随着训练样本数量的增加，整体性能起初会提高，因为系统更好地捕捉到用户的动机，但在训练集变得过大后，性能会显著下降。我们认为原因是在我们的模型中，为了简化起见，我们将用户动机视为相对静态的变量。换句话说，我们假设最看重知识利润的知识买家总是在寻找最合格的专家。然而，现实中用户寻求知识的兴趣和动机是动态变化的。在这种情况下，静态建模在推荐性能上存在局限性，因为它可能过度拟合大型训练集。0图8：不同训练样本的性能06. 结论本研究提出了一种在OPQC中采用认知机制（如社会资本理论）来提高计算智能的专家推荐方法。这个个性化的专家推荐系统在考虑多认知因素的基础上，是一个早期的综合框架，用于解决OPQC中的需求供应匹配问题。实验结果表明，所提出的模型能够生成合理的推荐，与知识交易行为背后的动机一致。因此，本研究的理论贡献可以得到肯定。同时，作为认知计算的应用，本研究也具有一定的实际价值。因为借助我们的智能专家推荐系统，社区的持续采纳将得到增强。首先，对于一个新兴的Q&A社区，如OPQC，知识的质量和数量对于平台来说都是至关重要的。我们的新专家推荐系统可以提高领域专家知识分享行为的可见性。因此，社会懒散引起的知识分享困境将得到缓解，整个平台的Q&A服务质量将得到提高。其次，高反应速度和Q&A服务质量将提高知识买家在线学习体验的感知有用性。第三，考虑知识定价可以帮助知识买家在寻找领域专家时做出最具成本效益的选择，从而提高社区用户的满意度。对于正在进行和未来的工作，可以通过更大和更丰富的数据集来提高推荐结果的准确性。同时，需要注意大规模数据过拟合的问题。为了解决这个问题，可以采用动态建模来捕捉用户兴趣和偏好的动态变化，从而提高推荐的整体准确性。0Track: 认知计算 WWW 2018, 2018年4月23日至27日, 法国里昂 37207. 参考文献0[1] Foss, N. J., Husted, K. and Michailova, S. Governing Knowledge Sharing inOrganizations: Levels of Analysis, Governance Mechanisms, and ResearchDirections. Journal of Management Studies, 47, 3 (2010), 455–482. [2] Barratt, M.and Barratt, R. Exploring internal and external supply chain linkages: Evidencefrom the field. Journal of Operations Management, 29, 5 (2011), 514-528. [3]Desouza, K. C., Awazu, Y., Yamakawa, S. and Umezawa, M. Facilitating knowledgemanagement through market mechanism. Knowledge & Process Management,12, 2 (2005), 99–107. [4] O'Reilly, P. and Finnegan, P. Intermediaries ininter-organisational networks: building a theory of electronic marketplaceperformance. European Journal of Information Systems, 19, 4 (2010), 462-480.[5] Zhang, Z. and Sundaresan, S. Knowledge markets in firms: knowledge sharingwith trust and signalling. Knowledge Management Research & Practice, 8, 4(2010), 322-339. [6] Zhang, X., Pablos, P. O. D. and Zhou, Z. Effect of knowledgesharing visibility on incentive-based relationship in Electronic KnowledgeManagement Systems: An empirical investigation. Computers in HumanBehavior, 29, 2 (2013), 307-313. [7] Gans, J. S. and Stern, S. Is there a market forideas? Social Science Electronic Publishing, 19, 3 (2010), 805-837. [8] Li, M., Liu, L.and Li, C. B. An approach to expert recommendation based on fuzzy linguisticmethod and fuzzy text classification in knowledge management systems. ExpertSystems with Applications, 38, 7 (2011), 8586-8596. [9] Liang, T. P. and Lai, H. J.Discovering User Interests from Web Browsing Behavior: An Application toInternet News Services. In Proceedings of the Hawaii International Conferenceon System Sciences, 2002. [10] Yimam-Seid, D. and Kobsa, A. Expert-FindingSystems for Organizations: Problem and Domain Analysis and the DEMOIRApproach. Journal of Organizational Computing & Electronic Commerce, 13, 1(2003), 1-24. [11] Fazel-Zarandi, M., Devlin, H. J., Huang, Y. and Contractor, N.Expert recommendation based on social drivers, social network analysis, andsemantic data representation. In Proceedings of the International Workshop onInformation Heterogeneity and Fusion in Recommender Systems, 2011. [12]Mikolov, T., Sutskever, I., Chen, K., Corrado, G. and Dean, J. DistributedRepresentations of Words and Phrases and their Compositionality. Advances inNeural Information Processing Systems, 26 (2013), 3111-3119.0[13] Chatterjee, K.和Samuelson,W.不完全信息下的讨价还价。运筹学，31，5（1983），835-851。[14] Bengio,Y.，Ducharme, R.，Vincent, P.和Jauvin,C.神经概率语言模型。机器学习研究杂志，3（2003），1137-1155。[15] Collobert,R.和Weston,J.自然语言处理的统一架构：深度神经网络与多任务学习。在第25届国际机器学习大会上的论文集，2008年。[16] Mikolov, T.，Chen, K.，Corrado, G.和Dean,J.向量空间中单词表示的高效估计。计算机科学（2013）。[17] Mikolov, T.，Karafiát,M.，Burget, L.，Cernocký, J.和Khudanpur,S.基于循环神经网络的语言模型。在国际语音通信协会会议上的论文集，2010年。[18]Le, Q. V.和Mikolov, T.句子和文档的分布式表示，4（2014），II-1188。[19]Cantador, I.，Bellogín, A.和Castells,P.多层本体基础混合推荐模型。人工智能通信，21，2008（2008），203-210。[20]Castells, P.，Fernández, M.，Vallet, D.，Mylonas, P.和Avrithis,Y.本体基础框架中的自适应个性化信息检索。Springer BerlinHeidelberg，2005年。[21] Vallet, D.，Fernández, M.和Castells,P.基于本体的信息检索模型。在欧洲语义Web会议论文集中，2005年。[22] Pav