通过多实例深度学习进行用户个性化满意度预测

社区问答（CQA）服务已经兴起，成为网民的流行知识共享模式。 通过用户之间的大量交互，个人能够获得令人满意的信息。 但是，用户在几分钟之内获得满意的答案是无效的。 用户必须检查一段时间内的进度，直到提交适当的答案。 我们将这个问题作为用户个性化的满意度预测任务来解决。 现有方法通常利用手动功能选择。 这是不希望的，因为它需要精心设计并且需要大量劳动。.在本文中，我们通过开发新的多实例深度学习框架解决了这个问题。 具体而言，在我们的环境中，每个问题都遵循多实例学习假设，在该假设中，可以将其获得的答案视为袋子中的实例集，然后使用至少一个令人满意的答案来定义已解决的问题。 我们设计了一种利用多实例学习属性的有效框架，并采用深度学习策略来对问题-答案对进行建模，并对提问者的满意可能性进行排名。 对来自Stack Exchange论坛的大规模数据集的广泛实验证明了我们提出的框架在预测问询个性化满意度方面的可行性。