摘要

有向图在社区问答服务（CQAs）中被广泛用于建模不同节点类型之间的非对称关系，例如问题、答案和用户。非对称传递性是有向图的一个重要特性，因为它在下游图推理和分析中可以发挥重要作用。问题难度和用户专长遵循非对称传递性的特征。在将图降维到低维向量嵌入空间的同时保持这些特性，一直是近期研究的重点。本文解决了有向图嵌入中保持非对称传递性的挑战，并利用所提出的嵌入方法解决社区问答服务中的一个基本任务：如何适当地将新发布的问题路由并分配给具有合适专长和兴趣的用户。该技术通过依赖于一种非线性变换来自然地结合图的层次结构和可达性信息，这种变换作用于图中的核心可达性和隐含层次结构。随后，该方法采用基于矩阵分解的方法为图中的每个节点生成两个嵌入向量，以捕捉非对称传递性。大量实验表明，我们的框架在这两项不同的实际任务上始终显著优于最先进的基线模型：链接预测以及在线论坛（如Stack Exchange）中的问题难度估计和专家查找。特别是，我们的框架支持新发布问题（训练过程中未见过的节点）的归纳式嵌入学习，因此能够恰当地将这些问题路由并分配给社区问答服务中的专家。