问题描述

这个问题来自于SemEval-2015Task3: Answer Selection in Community Question Answering.

简单的说就是从一堆问题和答案中找出他们之间的相关性。

这个Task包含两个Subtasks：

         1.给定一个问题和一些答案，将答案进行为3类：good/potential/bad。

         2.给定一个判定问题（Yes/No/Unsure）和一些答案，判定该问题是Yes/No/Unsure。

这里主要讨论subtask1。详见：http://alt.qcri.org/semeval2015/task3/

实现框架

整体实现框架如下图所示：

简单来说，分为一下几个步骤：

1.预处理：通过一些基本的“词”级别的处理，为特征提取准备规范数据。

2.特征提取：通过对原始数据和预处理后的数据进行分析，并基于一定的假设，确定选取特征，提取特征。

3.模型构建：根据问题描述，选择学习模型，构建训练集，训练模型。

4.实验评估：构建测试集，对比各模型效果。

具体实现框架如下图所示：

接下来详细描述整个过程。

预处理

个人认为，特征选择在实现上发生在预处理之后，但实则发生在预处理前后。

根据上述问题描述，和自己的先验知识，先对该问题做了一定的假设：

假设问题和答案是有相关性的。

假设问题和好的答案相关性更大，和不好的答案相关性更小。

假设问题和各种类别（good/potential/bad）的答案在“词”的特征上，是有一定规律的。

假设问题和各种类别（good/potential/bad）的答案在语义上，是有一定规律的。

。。。（一堆假设）

特征选择

词相似特征

1.Word cosine similarity: 我们假设问题和好的答案词相似，所以设计回答和问题的词的相似度特征。构建词典，以词典顺序作为向顺序，tfidf 作为权重 ，统计每个回答和问题的空间向量，然后计算对应的问题和回答之间的余弦相似度。

2.NE cosine similarity：关键词通常是名词实体，我们假设问题和好的回答的关键词相近，所以我们构建了问题与回答之间的名词实体余弦。识别名词实体，构建名词实体字典。以字典为顺序，tfidf为权重，构建每个问题和答案的名词实体向量，并计算相应的余弦值。

 

特殊词特征