CN101221583A - 一种问题推荐方法及系统 - Google Patents

Abstract

本发明涉及一种问题推荐方法及系统。所述方法，实施于交互问答系统中，用于向回答用户推荐问题，包括：根据系统中存储的由提问用户提出的多个待回答问题，确定所述待回答问题与回答用户的历史问答题目或者刚刚回答的问题的相关度；为所述回答用户推荐并显示相关度超过预定阈值的待回答问题。利用本发明所述方法，可快速为回答用户推荐最为相关的待回答问题以供其回答，且对问题的推荐较为均衡，保证不超过回答用户的答题能力，避免问题在一个回答用户处堆积，使该问题错过了被其它用户回答的机会。且随着回答用户不断回答题目，其能力值在不同时段随时得到更新，以调整在下一时段可接受推荐问题的数量。

Description

一种问题推荐方法及系统

技术领域

本发明涉及交互问答系统，特别是涉及一种问题推荐方法及系统。

背景技术

利用高速发展的信息技术，用户可通过网络、数据库等渠道，获得越来越多的信息。但是，现有的仅通过搜索引擎输入检索词进行检索的方式，由于其检索到的非相关内容过多，用户的筛选工作量较大，检索命中率低。故而，现已出现交互问答系统等新的信息获取方式，用户可直接提出自由文本形式的问题，由系统承担在庞大的答案数据库中进行分类检索的工作，或者，由其他在线用户进行回答。即，登录交互问答系统的用户通过相互提问和解答来达到学习和解惑的目的，例如百度知道等。

提问用户通过自由文本的形式提出问题，并同时设置奖励金额或奖励积分，设定过期时限，等待回答用户的回答。回答用户回答该问题，即可获得相应的积分。

在回答用户回答的过程中，对可回答的问题进行筛选是一个较为复杂的过程。回答用户如果在所有的问题列表中一道一道的浏览问题，再决定是否回答，不但工作量庞大，而且导致较差的用户体验，同时会使急需解决的问题失去了被及时回答的机会。如果针对该回答用户的能力以及知识范围，能够由系统自动为用户推荐部分问题，将极大提高系统中所有问题的被回答几率以及被回答效率，使得尽早解决提问用户的疑虑，使回答用户的积分累积愈快，改善用户体验。

发明内容

本发明解决的问题在于，提供一种问题推荐的方法以及系统，以快速均衡地为使用交互问答系统的用户推荐相关程度最高的问题。

本发明公开了一种问题推荐方法，实施于交互问答系统中，用于向回答用户推荐问题，包括：

根据系统中存储的由提问用户提出的多个待回答问题，确定所述待回答问题与回答用户的历史问答题目或者刚刚回答的问题的相关度；

为所述回答用户推荐并显示相关度超过预定阈值的待回答问题。

所述确定相关度的步骤之前包括，按照所述待回答问题的优先权值从高到低的顺序对所述待回答问题进行排序；

所述优先权值为：

$\mathrm{Priority}\left(q_i\right)=\frac{{\mathrm{Log}}_2(\mathrm{Money}\left(q_i\right)+2)}{\mathrm{POV}\left(q_i\right)},$ 其中，

Money(q_i)：待回答问题q_i的悬赏数额；

POV(q_i)：待回答问题q_i的有效时段；

Priority(q_i)：待回答问题q_i的优先权值。

所述确定相关度的步骤之前还包括：

确定所述回答用户能否接受所述待回答问题，对于可接受所述待回答问题的用户，执行所述计算相关度的步骤；

其中，确定所述回答用户能否接受所述待回答问题的步骤进一步包括：

判断所述回答用户的能力值是否大于已推荐给所述回答用户的问题数目。

所述回答用户的能力值为：

$\mathrm{Capacit}{y}_k\left(u_j\right)=\frac{\mathrm{Capacit}{y}_{k-1}\left(u_j\right)}{2}+\mathrm{lo}{g}_2(N_{k-1}\left(\mathrm{QA}\left(u_j\right)\right)+2);$

Capacity₀(u_j)＝C₀；其中，

Capacity_k-1(u_j)：回答用户u_j在第k-1时间段的能力值；

N_k-1(QA(u_j))：回答用户u_j在第k-1时间段回答问题的数目；

Capacity₀(u_j)：回答用户u_j在初始时刻的能力值。

所述待回答问题与回答用户的历史问答题目的相关度为：

Relevancy(q，u)＝V(q)·R(u)u∈AUS，其中，

V(q)：待回答问题q的单词向量；

R(u)：回答用户u的用户向量；

Relevancy(q，u)：待回答问题q与回答用户u的历史问答题目之间的相关度；

AUS为可以接受待回答问题的回答用户集合；

$V\left(q\right)=<t_1,t_2...t_i>t_i=\begin{array}{c}\left\{\begin{array}{c}1,t_i\&Element;q\\ 0,t_i\&NotElement;q\end{array}\right.\end{array}$ 其中：

t_i：单词空间中的第i个单词；

V(q)：待回答问题q的单词向量；

R(u_j)＝{r_j1，r_j2，r_j3，…，r_jn}，其中r_ji为用户u_j与单词t_i的关联度，n为整个单词空间中单词的数目；

$r_{\mathrm{ji}}=r(u_j,t_i)=\frac{i_{\mathrm{ji}}}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{i}_{\mathrm{ji}}^2}}\&times;a_{\mathrm{ji}},$

$i_{\mathrm{ji}}=i(u_j,t_i)=\frac{\mathrm{lo}{g}_2(\underset{k=1}{\overset{N\left(\mathrm{QP}\left(u_j\right)\right)}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(t_i,q{p}_{\mathrm{jk}})+\underset{l=1}{\overset{N\left(\mathrm{QA}\left(u_j\right)\right)}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(t_i,{\mathrm{qa}}_{\mathrm{jl}})+2)}{{(1+{\left(\underset{l=1}{\overset{N\left(\mathrm{QA}\left(u_j\right)\right)}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(t_i,{\mathrm{qa}}_{\mathrm{jl}})\right)}^{-1})}^{\underset{r=1}{\overset{N\left(\mathrm{QR}\left(u_j\right)\right)}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(t_i,{\mathrm{qr}}_{\mathrm{jr}})}};$

$a_{\mathrm{ji}}=a(u_j,t_i)=\frac{\underset{c=1}{\overset{N\left(\mathrm{QCA}\left(u_j\right)\right)}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(t_i,\mathrm{qc}{a}_{\mathrm{jc}})+1}{\underset{l=1}{\overset{N\left(\mathrm{QA}\left(u_j\right)\right)}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(t_i,q{a}_{\mathrm{jl}})+1};$

qr_jr∈QR(u_j)，qp_jk∈QP(u_j)，qa_jl∈QA(u_j)&qca_jc∈QCA(u_j)，其中：

QP(u_j)：由回答用户u_j提出的问题的集合；

QA(u_j)：回答用户u_j回答的问题的集合；

QR(u_j)：推荐给回答用户u_j但被其拒绝的问题的集合；

QCA(u_j)：回答用户u_j正确回答的问题的集合；

N(QP(u_j))：回答用户u_j提出的问题的数目；

N(QA(u_j))：回答用户u_j回答的问题的数目；

N(QR(u_j))：回答用户u_j拒绝的问题的数目；

N(QCA(u_j))：回答用户u_j正确回答的问题的数目；

qp_jk：回答用户u_j提出的第k个问题；

qa_jl：回答用户u_j回答的第l个问题；

qr_jr：回答用户u_j拒绝的第r个问题；

qca_jc：回答用户u_j正确回答的第c个问题；

$\mathrm{\&delta;}(t,q)=\left\{\begin{array}{cc}1,& t\&Element;q\\ 0,& t\&NotElement;q\end{array}\right.$ 表示问题q是否包含单词t。

所述待回答问题与回答用户刚刚回答的问题的相关度为：

Relevancy(q，qa)＝V(q)·V(qa)；其中，

V(q)：待回答问题q的单词向量；

V(qa)：回答用户刚刚回答的问题的单词向量；

$V\left(q\right)=<t_1,t_2...t_i>t_i=\begin{array}{c}\left\{\begin{array}{c}1,t_i\&Element;q\\ 0,t_i\&NotElement;q\end{array}\right.\end{array}$

$V\left(\mathrm{qa}\right)=<t_1,t_2...t_i>t_i=\begin{array}{c}\left\{\begin{array}{c}1,t_i\&Element;\mathrm{qa}\\ 0,t_i\&NotElement;\mathrm{qa}\end{array}\right.\end{array}$

t_i：单词空间中的第i个单词。

本发明还公开了一种问题推荐系统，设置于交互问答系统中，用于向回答用户推荐问题，包括：

相关度运算模块，用于根据交互问答系统中存储的由提问用户提出的多个待回答问题，确定所述待回答问题与回答用户的历史问答题目或者刚刚回答的问题的相关度；

推荐模块，用于为所述回答用户推荐并显示相关度超过预定阈值的待回答问题。

所述系统还包括：一排序模块，用于确定所述待回答问题的优先权值，按照所述待回答问题的优先权值从高到低的顺序对所述待回答问题进行排序，供所述相关度运算模块确定相关度；

所述优先权值为：

$\mathrm{Priority}\left(q_i\right)=\frac{{\mathrm{Log}}_2(\mathrm{Money}\left(q_i\right)+2)}{\mathrm{POV}\left(q_i\right)},$ 其中，

Money(q_i)：待回答问题q_i的悬赏数额；

POV(q_i)：待回答问题q_i的有效时段；

Priority(q_i)：待回答问题q_i的优先权值。

所述系统还包括：回答用户确认模块，用于通过判断所述回答用户的能力值是否大于已推荐给所述回答用户的问题数目，确定所述回答用户能否接受所述待回答问题，对于能够接受所述待回答问题的用户，执行所述相关度运算模块。

所述回答用户的能力值为：

$\mathrm{Capacit}{y}_k\left(u_j\right)=\frac{\mathrm{Capacit}{y}_{k-1}\left(u_j\right)}{2}+\mathrm{lo}{g}_2(N_{k-1}\left(\mathrm{QA}\left(u_j\right)\right)+2);$

Capacity₀(u_j)＝C₀；其中，

Capacity_k-1(u_j)：回答用户u_j在第k-1时间段的能力值；

N_k-1(QA(u_j))：回答用户u_j在第k-1时间段回答问题的数目；

Capacity₀(u_j)：回答用户u_j在初始时刻的能力值。

利用本发明所述方法，可快速为回答用户推荐最为相关的待回答问题以供其回答，且对问题的推荐较为均衡，保证不超过回答用户的答题能力，避免问题在一个回答用户处堆积，使该问题错过了被其它用户回答的机会。且随着回答用户不断回答题目，其能力值在不同时段随时得到更新，以调整在下一时段可接受推荐问题的数量。

附图说明

图1所示为本发明的系统结构示意图；

图2所示为本发明的处理过程流程图；

图3所示为本发明一实施例的处理过程流程图；

图4所示为回答用户侧的显示界面示意图；

图5所示为回答用户的用户中心版面示意图。

具体实施方式

以下配合实施例以及附图，详细描述本发明的技术特征。

本发明涉及一种在用户交互问答系统中为回答用户自动推荐问题的方法以及系统。用户交互问答系统的其他模块如现有技术中所述。

本发明所述的问题推荐系统是用户交互问答系统的一个子系统，用于为回答用户推荐符合其兴趣和专长的问题，且能够均衡各个用户的待回答问题数量，保证每个问题都能尽快及时地得到回答。

如图1所示为本发明的系统结构示意图。

问题推荐系统100包括四个功能模块，分别为：排序模块101、回答用户确认模块102、相关度运算模块103、推荐模块104。

排序模块101用于接收用户交互问答系统中存储的，由提问用户提出的待回答问题，确定所述待回答问题的优先权值，并根据优先权值从高到低的顺序对各个待回答问题进行排序，形成优先问题队列。

回答用户确认模块102用于通过判断所述回答用户的能力值是否大于已推荐给所述回答用户的问题数目，确定所述回答用户能否接受所述待回答问题，对于能够接受所述待回答问题的用户，执行相关度运算模块103。

相关度运算模块103用于根据交互问答系统中存储的多个待回答问题，确定所述待回答问题与回答用户的历史问答题目或者刚刚回答的问题的相关度。

推荐模块104用于为所述回答用户推荐并显示相关度超过预定阈值的待回答问题。

请参阅图2为本发明的处理过程流程图。

步骤201，利用排序模块101，根据交互问答系统中各个待回答问题的优先权值，对各个待回答问题进行排序；

首先，该优先权值的定义方式例如为：

$\mathrm{Priority}\left(q_i\right)=\frac{{\mathrm{Log}}_2(\mathrm{Money}\left(q_i\right)+2)}{\mathrm{POV}\left(q_i\right)},$ 式中符号意义如下：

Money(q_i)：提交待回答问题q_i的提问用户所悬赏的货币数值或其他单位的积分或点数，如问答系统中没有悬赏机制，可用统一的数值(如1)代替。

POV(q_i)：待回答问题q_i的有效时段，由过期时间减去发表时间得到，如问答系统中没有有效期机制，可用统一的数值(如1)代替。例如：

问题                              金钱    发表时间    过期时间

1.What is the weather like today？10$     2007-12-11  2007-12-12

2.Where is the Great Wall？       20$     2007-12-11  2007-12-13

Priority(q₁)＝(Log₂(10+2))/1＝3.6

Priority(q₂)＝(Log₂(20+2))/2＝2.2

另外，该优先权值还可通过其他公式进行定义，也可以取决于其他多种因素，例如可加入该问题的提问用户的信誉值Reputation参数，则该优先权值的定义方式还包括：Priority(q)＝Money(q)*Reputation(q)/POV(q)。上述定义方式均不作为对本发明的限制。

基于上述优先权值的排序，可使得比较重要、提问用户悬赏数较高、比较紧急的待回答问题排在靠前的位置，在向回答用户推荐有限的几个问题时，更容易被推荐给回答用户。

步骤202，利用回答用户确认模块102确定所有可接受待回答问题的用户。

每个回答用户都有一个问题列表QL(u_j)，其存储所有推荐给该回答用户u_j的问题。

回答用户确认模块102通过判断所述回答用户的能力值是否大于该问题列表中已推荐给所述回答用户的问题数目，进而确定是否能够继续给该回答用户推荐问题。即，每个回答用户当且仅当其问题列表中的题目数目小于其能力值时，才能继续接受问题推荐系统所推荐的问题，否则系统不向该用户推荐问题。

所述回答用户u_j在第k时间段的能力值为：

$\mathrm{Capacit}{y}_k\left(u_j\right)=\frac{\mathrm{Capacit}{y}_{k-1}\left(u_j\right)}{2}+{\log }_2(N_{k-1}\left(\mathrm{QA}\left(u_j\right)\right)+2);$

Capacity₀(u_j)＝C₀，式中符号意义如下：

Capacity_k-1(u_j)：回答用户u_j在第k-1时间段的能力值。

N_k-1(QA(u_j))：回答用户u_j在第k-1时间段回答问题的数目。

Capacity₀(u_j)：回答用户u_j在初始时刻的能力值，通常由经验决定，例如为1。

基于该步骤的处理方式，有助于均衡的为回答用户推荐问题，保证不超过回答用户的答题能力，避免问题在一个回答用户处堆积，使该问题错过了被回答的机会。且随着回答用户不断回答题目，其能力值在不同时段随时得到更新，以调整在下一时间段可接受推荐问题的数量。

步骤203，相关度运算模块103依照优先权值从高到低的顺序，依次计算每个待回答问题与一可接受待回答问题的用户的相关度。

相关度运算模块103可按用户ID的顺序，从可接受待回答问题的用户集合中选取出一用户u_j进行相关度计算。相关度运算模块103也可按照用户登录系统的时间先后顺序，或积分排名顺序等选取用户进行相关度计算。相关度的计算方法为：

Relevancy(q，u)＝V(q)·R(u)u∈AUS，其中，

V(q)：待回答问题q的单词向量；

R(u)：回答用户u的用户向量；

Relevancy(q，u)：待回答问题q与回答用户u的历史问答题目之间的相关度；

AUS为可以接受待回答问题的回答用户集合；

$V\left(q\right)=<t_1,t_2...t_i>t_i=\begin{array}{c}\left\{\begin{array}{c}1,t_i\&Element;q\\ 0,t_i\&NotElement;q\end{array}\right.\end{array}$ ，其中：

t_i：单词空间中的第i个单词；

V(q)：待回答问题q的单词向量；

R(u_j)＝{r_j1，r_j2，r_j3，…，r_jn}，其中r_ji为用户u_j与单词t_i的关联度，n为整个单词空间中单词的数目；

$r_{\mathrm{ji}}=r(u_j,t_i)=\frac{i_{\mathrm{ji}}}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{i}_{\mathrm{ji}}^2}}\&times;a_{\mathrm{ji}},$

$i_{\mathrm{ji}}=i(u_j,t_i)=\frac{\mathrm{lo}{g}_2(\underset{k=1}{\overset{N\left(\mathrm{QP}\left(u_j\right)\right)}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(t_i,q{p}_{\mathrm{jk}})+\underset{l=1}{\overset{N\left(\mathrm{QA}\left(u_j\right)\right)}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(t_i,{\mathrm{qa}}_{\mathrm{jl}})+2)}{{(1+{\left(\underset{l=1}{\overset{N\left(\mathrm{QA}\left(u_j\right)\right)}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(t_i,{\mathrm{qa}}_{\mathrm{jl}})\right)}^{-1})}^{\underset{r=1}{\overset{N\left(\mathrm{QR}\left(u_j\right)\right)}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(t_i,{\mathrm{qr}}_{\mathrm{jr}})}};$

$a_{\mathrm{ji}}=a(u_j,t_i)=\frac{\underset{c=1}{\overset{N\left(\mathrm{QCA}\left(u_j\right)\right)}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(t_i,\mathrm{qc}{a}_{\mathrm{jc}})+1}{\underset{l=1}{\overset{N\left(\mathrm{QA}\left(u_j\right)\right)}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(t_i,q{a}_{\mathrm{jl}})+1};$

qr_jr∈QR(u_j)，qp_jk∈QP(u_j)，qa_jl∈QA(u_j)&qca_jc∈QCA(u_j)，其中：

i_ji：回答用户u_j与单词t_i之间的兴趣值，表示回答用户是否对包含该词的问题感兴趣；

a_ji：回答用户u_j与单词t_i之间的专业水平值，表示回答用户是否擅长回答包含该词的问题；

QP(u_j)：由回答用户u_j提出的问题的集合；

QA(u_j)：回答用户u_j回答的问题的集合；

QR(u_j)：推荐给回答用户u_j但被其拒绝的问题的集合；

QCA(u_j)：回答用户u_j正确回答的问题的集合；

N(QP(u_j))：回答用户u_j提出的问题的数目；

N(QA(u_j))：回答用户u_j回答的问题的数目；

N(QR(u_j))：回答用户u_j拒绝的问题的数目；

N(QCA(u_j))：回答用户u_j正确回答的问题的数目；

qp_jk：回答用户u_j提出的第k个问题；

qa_jl：回答用户u_j回答的第l个问题；

qr_jr：回答用户u_j拒绝的第r个问题；

qca_jc：回答用户u_j正确回答的第c个问题；

$\mathrm{\&delta;}(t,q)=\begin{array}{}\left\{\begin{array}{cc}1,& t\&Element;q\\ 0,& t\&NotElement;q\end{array}\right.\end{array}$ 表示问题q是否包含单词t。

上述公式中的log函数可采用任何大于1的数为底，例如2或10。

i_ji公式中分子含义为，对于没有初始数据的回答用户，其与单词t之间的兴趣值的初始值被赋为1；随着回答用户u_j提出、回答包含单词t_i的问题的数目的增加，它们之间的兴趣值也逐渐提高，并由log函数控制提高的幅度；分母含义为，随着回答用户u_j拒绝包含单词t_i的问题的数目的增加，分母的作用增强，它们之间的兴趣值将降低；同时，如果回答用户u_j逐渐对包含单词t_i的问题感兴趣，并回答越来越多的包含该词的问题时，分母的底将减小，从而削弱回答用户u_j拒绝该类问题的历史记录的影响。另外，计算回答用户与单词之间的关联度之前应对兴趣值进行正则化，如上述关联度计算公式所示。本发明中还包括其他具有相应变化趋势的相关度计算方式。

问题推荐系统100通过分析回答用户的兴趣值和专业水平值给每个用户建立用户模型。分析待回答问题中包含的词语在该回答用户的历史问答记录中出现的频率，判断该回答用户的知识范围与该问题的关联程度。其中，兴趣值与专业水平值将根据最新用户日志及答题情况每天更新。系统可以给所有回答用户赋予相同的初始值，然后根据上面的方法及时更新，也可以一直都不更新。

步骤204，利用推荐模块104为回答用户推荐并显示相关度超过预定阈值的待回答问题。

随后，如果不是最后一个用户，j值加1，继续为下一可接受待回答问题的用户计算相关度并推荐问题，直至为所有可接受待回答问题的用户推荐完毕。

该阈值可通过实践经验设定。推荐给用户的待回答问题的个数也可根据实践经验设定，例如为3个。即，推荐模块104选择相关度达到该预定阈值并最高的三个待回答问题，显示在回答用户一侧的用户界面上，供用户回答。

推荐准确性随阈值θ的增大而提高；推荐率随阈值θ的增大而降低。在阈值θ＝0.1时，大部分的问题能够被推荐，并且准确性达到80.8％；当θ＝0.8时，准确性达到100％，但只有一小部分问题能够被推荐。

本发明还包括一种实施例，针对每一个登录用户，依次确认其是否可接受待回答问题，如果可以，按照待回答问题优先权值从大到小的顺序计算每个问题与该用户的相关度，推荐相关度超过阈值的预定个数个问题给该用户。

本发明还公开了一实施例，用于根据一回答用户刚刚回答的问题，为其推荐与该问题相关的待回答问题。请参阅图3所示为该实施例的处理过程流程图。

步骤301、302、304与步骤201、202、204相同。

步骤303，一回答用户刚刚提交了一个问题的答案，此时利用相关度运算模块103，依照优先权值从高到低的顺序，依次计算每个待回答问题与该回答用户刚刚回答的问题的相关度。该相关度为：

Relevancy(q，qa)＝V(q)·V(qa)；其中，

V(q)：待回答问题q的单词向量；

V(qa)：回答用户刚刚回答的问题的单词向量；

其中：

$V\left(q\right)=<t_1,t_2...t_i>t_i=\begin{array}{}\left\{\begin{array}{c}1,t_i\&Element;q\\ 0,t_i\&NotElement;q\end{array}\right.\end{array}$

$V\left(\mathrm{qa}\right)=<t_1,t_2...t_i>t_i=\begin{array}{c}\left\{\begin{array}{c}1,t_i\&Element;\mathrm{qa}\\ 0,t_i\&NotElement;\mathrm{qa}\end{array}\right.\end{array}$

t_i：单词空间中的第i个单词。

请参阅图4所示为回答用户侧的显示界面示意图。

当用户选择并回答了问题“中国农业银行2008年招聘吉林省笔试是什么时候？”后，系统立即从优先问题队列中选取问题，并与该用户刚刚回答的问题作比较，计算他们的相似度。根据相似度的大小，以及用户的能力值选择与该用户刚刚回答的问题最相关的3个问题推荐给该用户，分别是“2008年中国农业银行吉林省招多少人？”、“哪里有2008年中国农业银行招聘信息？”、“哪里有08年中国农业银行招聘笔试复习题？”。该用户可以单击其中任一问题，直接进入该问题的回答界面，并回答该问题。

因为，此时该用户刚刚回答过问题，即，还在线，采用这种根据其刚刚回答的问题为其推荐相关问题的方法效果更好。

请参阅图5所示为一回答用户的用户中心版面示意图。当用户登陆交互问答系统的个人帐户，将看到相关的答题信息。

在帐户左侧的菜单项包括“我未曾关闭的问题”、“我的全部问题”、“我被采纳的答案”、“我的全部答案”、“推荐给我的问题”等，右侧为推荐给该用户且尚未解决的问题列表，包括“问题”、“版面”、“发表时间”、“过期时间”、“金钱”、“回答数”、“访问次数”。

用户可以通过该界面管理、查看推荐给其的问题，相比用户直接到所有问题中找其感兴趣的问题，不仅提高了查找效率，也节省了用户的时间。

利用本发明所述方法，可快速为回答用户推荐最为相关的待回答问题以供其回答，且对问题的推荐较为均衡，保证不超过回答用户的答题能力，避免问题在一个回答用户处堆积，使该问题错过了被其它用户回答的机会。且随着回答用户不断回答题目，其能力值在不同时段随时得到更新，以调整在下一时段可接受推荐问题的数量。

本发明的保护范围不限于上述说明，本领域的一般技术人员按本发明的构思，可以对其做出修改或变动，它们应属于本发明的构思范围内。

Claims (10)

1.一种问题推荐方法，实施于交互问答系统中，用于向回答用户推荐问题，其特征在于，包括：

根据系统中存储的由提问用户提出的多个待回答问题，确定所述待回答问题与回答用户的历史问答题目或者刚刚回答的问题的相关度；

为所述回答用户推荐并显示相关度超过预定阈值的待回答问题。

2.如权利要求1所述的方法，其特征在于，所述确定相关度的步骤之前包括，按照所述待回答问题的优先权值从高到低的顺序对所述待回答问题进行排序；

所述优先权值为：

$\mathrm{Priority}\left(q_i\right)=\frac{{\mathrm{Log}}_2(\mathrm{Money}\left(q_i\right)+2)}{\mathrm{POV}\left(q_i\right)},$ 其中，

Money(q_i)：待回答问题q_i的悬赏数额；

POV(q_i)：待回答问题q_i的有效时段；

Priority(q_i)：待回答问题q_i的优先权值。

3.如权利要求1或2所述的方法，其特征在于，所述确定相关度的步骤之前还包括：

确定所述回答用户能否接受所述待回答问题，对于可接受所述待回答问题的用户，执行所述计算相关度的步骤；

其中，确定所述回答用户能否接受所述待回答问题的步骤进一步包括：

判断所述回答用户的能力值是否大于已推荐给所述回答用户的问题数目。

4.如权利要求3所述的方法，其特征在于，所述回答用户的能力值为：

$\mathrm{Capacit}{y}_k\left(u_j\right)=\frac{\mathrm{Capacit}{y}_{k-1}\left(u_j\right)}{2}+\mathrm{lo}{g}_2(N_{k-1}\left(\mathrm{QA}\left(u_j\right)\right)+2);$

Capacity₀(u_j)＝C₀；其中，

Capacity_k-1(u_j)：回答用户u_j在第k-1时间段的能力值；

N_k-1(QA(u_j))：回答用户u_j在第k-1时间段回答问题的数目；

Capacity₀(u_j)：回答用户u_j在初始时刻的能力值。

5.如权利要求3所述的方法，其特征在于，所述待回答问题与回答用户的历史问答题目的相关度为：

Relevancy(q，u)＝V(q)·R(u)u∈AUS，其中，

V(q)：待回答问题q的单词向量；

R(u)：回答用户u的用户向量；

Relevancy(q，u)：待回答问题q与回答用户u的历史问答题目之间的相关度；

AUS为可以接受待回答问题的回答用户集合；

$V\left(q\right)=<t_1,t_2...t_i>t_i=\begin{array}{c}\left\{\begin{array}{c}1,t_i\&Element;q\\ 0,t_i\&NotElement;q\end{array}\right.\end{array}$ 其中：

t_i：单词空间中的第i个单词；

V(q)：待回答问题q的单词向量；

R(u_j)＝{r_j1，r_j2，r_j3，…，r_jn}，其中r_ji为用户u_j与单词t_i的关联度，n为整个单词空间中单词的数目；

$r_{\mathrm{ji}}=r(u_j,t_i)=\frac{i_{\mathrm{ji}}}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{i}_{\mathrm{ji}}^2}}\&times;a_{\mathrm{ji}},$

$i_{\mathrm{ji}}=i(u_j,t_i)=\frac{\mathrm{lo}{g}_2(\underset{k=1}{\overset{N\left(\mathrm{QP}\left(u_j\right)\right)}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(t_i,q{p}_{\mathrm{jk}})+\underset{l=1}{\overset{N\left(\mathrm{QA}\left(u_j\right)\right)}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(t_i,{\mathrm{qa}}_{\mathrm{jl}})+2)}{{(1+{\left(\underset{l=1}{\overset{N\left(\mathrm{QA}\left(u_j\right)\right)}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(t_i,{\mathrm{qa}}_{\mathrm{jl}})\right)}^{-1})}^{\underset{r=1}{\overset{N\left(\mathrm{QR}\left(u_j\right)\right)}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(t_i,{\mathrm{qr}}_{\mathrm{jr}})}};$

$a_{\mathrm{ji}}=a(u_j,t_i)=\frac{\underset{c=1}{\overset{N\left(\mathrm{QCA}\left(u_j\right)\right)}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(t_i,\mathrm{qc}{a}_{\mathrm{jc}})+1}{\underset{l=1}{\overset{N\left(\mathrm{QA}\left(u_j\right)\right)}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}(t_i,q{a}_{\mathrm{jl}})+1};$

qr_jr∈QR(u_j)，qp_jk∈QP(u_j)，qa_jl∈QA(u_j)&qca_jc∈QCA(u_j)，其中：

QP(u_j)：由回答用户u_j提出的问题的集合；

QA(u_j)：回答用户u_j回答的问题的集合；

QR(u_j)：推荐给回答用户u_j但被其拒绝的问题的集合；

QCA(u_j)：回答用户u_j正确回答的问题的集合；

N(QP(u_j))：回答用户u_j提出的问题的数目；

N(QA(u_j))：回答用户u_j回答的问题的数目；

N(QR(u_j))：回答用户u_j拒绝的问题的数目；

N(QCA(u_j))：回答用户u_j正确回答的问题的数目；

qp_jk：回答用户u_j提出的第k个问题；

qa_jl：回答用户u_j回答的第l个问题；

qr_jr：回答用户u_j拒绝的第r个问题；

qca_jc：回答用户u_j正确回答的第c个问题；

$\mathrm{\&delta;}(t,q)=\left\{\begin{array}{cc}1,& t\&Element;q\\ 0,& t\&NotElement;q\end{array}\right.$ 表示问题q是否包含单词t。

6.如权利要求1所述的方法，其特征在于，所述待回答问题与回答用户刚刚回答的问题的相关度为：

Relevancy(q，qa)＝V(q)·V(qa)；其中，

V(q)：待回答问题q的单词向量；

V(qa)：回答用户刚刚回答的问题的单词向量；

$V\left(q\right)=<t_1,t_2...t_i>t_i=\begin{array}{c}\left\{\begin{array}{c}1,t_i\&Element;q\\ 0,t_i\&NotElement;q\end{array}\right.\end{array}$

$V\left(\mathrm{qa}\right)=<t_1,t_2...t_i>t_i=\begin{array}{c}\left\{\begin{array}{c}1,t_i\&Element;\mathrm{qa}\\ 0,t_i\&NotElement;\mathrm{qa}\end{array}\right.\end{array}$

t_i：单词空间中的第i个单词。

7.一种问题推荐系统，设置于交互问答系统中，用于向回答用户推荐问题，其特征在于，包括：

相关度运算模块，用于根据交互问答系统中存储的由提问用户提出的多个待回答问题，确定所述待回答问题与回答用户的历史问答题目或者刚刚回答的问题的相关度；

推荐模块，用于为所述回答用户推荐并显示相关度超过预定阈值的待回答问题。

8.如权利要求7所述的系统，其特征在于，还包括：

一排序模块，用于确定所述待回答问题的优先权值，按照所述待回答问题的优先权值从高到低的顺序对所述待回答问题进行排序，供所述相关度运算模块确定相关度；

所述优先权值为：

$\mathrm{Priority}\left(q_i\right)=\frac{\mathrm{Lo}{g}_2(\mathrm{Money}\left(q_i\right)+2)}{\mathrm{POV}\left(q_i\right)},$ 其中，

Money(q_i)：待回答问题q_i的悬赏数额；

POV(q_i)：待回答问题q_i的有效时段；

Priority(q_i)：待回答问题q_i的优先权值。

9.如权利要求7或8所述的系统，其特征在于，还包括：

一回答用户确认模块，用于通过判断所述回答用户的能力值是否大于已推荐给所述回答用户的问题数目，确定所述回答用户能否接受所述待回答问题，对于能够接受所述待回答问题的用户，执行所述相关度运算模块。

10.如权利要求9所述的系统，其特征在于，所述回答用户的能力值为：

$\mathrm{Capacit}{y}_k\left(u_j\right)=\frac{\mathrm{Capacit}{y}_{k-1}\left(u_j\right)}{2}+{\log }_2(N_{k-1}\left(\mathrm{QA}\left(u_j\right)\right)+2);$

Capacity₀(u_j)＝C₀；其中，

Capacity_k-1(u_j)：回答用户u_j在第k-1时间段的能力值；

N_k-1(QA(u_j))：回答用户u_j在第k-1时间段回答问题的数目；

Capacity₀(u_j)：回答用户u_j在初始时刻的能力值。

Images