社区问答系统精准匹配信息和人，满足你对获取知识的迫切需求

社区问答系统（Community Question Answering, CQA）将信息和人精准匹配，为问题找到合适的回答者，为回答找到合适的阅读者，满足了人们对获取知识的迫切需求。在CQA中，一个核心问题是为给定的问题推荐具有专业知识并具有回答意愿的专家。如果问题推送策略准确度不高，即不能有效解决问题，也可能给部分不适合回答问题的专家用户带来打扰。

本文以头条问答数据集为例，重点分析了CQA中专家推荐的常用算法，该数据集一共包含三类信息：

1. 专家标签数据：包括所有专家用户的ID，专家兴趣标签，处理过的专家描述；

2. 问题数据：包括所有的问题的ID，处理过的问题描述，问题分类，总回答数，精品回答数，总点赞次数；

3. 问题分发数据：29万条问题推送记录，一条推送记录包括一个问题ID，一个专家用户ID，该专家是否回答了该问题的标注。

下表总结了ByteCup竞赛（https://biendata.com/competition/bytecup2016  ）中使用的各个特征，其中++表示该特征特别有效，+表示有效，-表示无效。

ByteCup竞赛中使用的各算法效果如下：

我们将竞赛中使用的CQA专家推荐算法分为四类：

1. 基于矩阵分解（Matrix Factorization, MF）的方法，包括SVD, SVD++, Bidirection SVD++, Bidirection ASVD++；

2. 基于梯度提升树（Gradient Boosting Tree, GBT）的方法，包括GBRT；

3. 基于深度学习（Deep Learning, DL）的方法，包括AutoRec, CF-NADE, Match-SRNN；

4. 基于排名（Ranking, R）的方法，包括Rule和Ranking SVM；

在CQA专家推荐中，基于MF的方法比其他几类方法取得更好的效果。

本文分析了竞赛中前五名使用的特征，总结如下：

我们发现，该竞赛中前5名都使用了集成学习，单一模型并不能在竞赛中取得好的名次。接下来介绍集成学习相关知识。集成学习，就是使用一系列学习器进行学习，并使用某种规则将各个学习器的结果进行整合，从而获得比单个学习器效果更好的学习效果的一种方法。

集成学习可以用于分类问题，回归问题，特征选取，异常点检测等的集成，本文采用分类进行说明。弱分类器是指分类器仅能对少量样本进行正确分类，其分类效果仅略优于随机猜测。强分类器是指对样本分类的正确率很高的分类器。

通过集成学习提高分类器的整体泛化能力有以下两个条件：

1. 基分类器之间具有差异性。如果使用的是同一个分类器集成，集成分类器的性能是不会有提升的。

2. 每个基分类器的分类精度必须大于0.5。如下图所示，当基分类器精度小于0.5时，随着集成规模的增加，分类集成分类器的分类精度会下降；但是如果基分类器的精度大于0.5时，集成分类器的最终分类精度是趋近于1的。

集成学习常见的三种方法是Bagging, Boosting和Stacking。

• Bagging用于提升机器学习算法的稳定性和准确性。

• Boosting主要用于减少bias（偏差）和variance（方差），是将一个弱分类器转化为强分类器的算法。

• Stacking是一种组合多个模型的方法。

Bagging (Bootstrap Aggregating)对训练集采用有放回采样。通过对原数据集进行有放回的采样，构建出大小和原数据集T一样的新数据集T1，T2，T3…，然后用这些新的数据集训练多个分类器f1，f2，f3…。最终分类结果根据这些分类器各自结果的投票来决定。Bagging算法中，基分类器之间不存在依赖关系，基分类器可以并行生成。

Bagging的性能依赖于基分类器的稳定性，如果基分类器是不稳定的，Bagging有助于减低训练数据的随机扰动导致的误差，但是如果基分类器是稳定的，即对数据变化不敏感，那么Bagging方法就得不到性能的提升，甚至会减低。Bagging示例图如下：

Boosting，是一个迭代的过程，每次在新分类器中强调上一个分类器中被错误分类的样本（增加错误分类样本的权重），最后将这些模型组合起来的方法。每次对正确分类的样本降权，对错误分类的样本加权，最后分类器是多个弱分类器的加权组合。

Boosting没有对样本进行重采样，而是对样本的分布进行了调整。Boosting算法中，基分类器之间存在强依赖关系，基分类器需要串行生成。Boosting示例图如下：

Stacking的基本思想是训练一个基本分类器池，然后使用另一个分类器来组合它们的预测，目的是减少泛化误差。

Stacking的步骤如下：

1. 将训练集分成两个不想交的部分；

2. 在第一部分的训练集上训练若干个基本学习器；

3. 在第二部分的训练集上测试得到的基本学习器；

4. 使用步骤3中的预测结果作为输入，将正确的响应作为输出，训练更高级别的学习器。

Stacking示例图如下：