امروزه استفاده از شبكه‌هاي اجتماعي گسترش يافته است. نوع خاصي از شبكه‌هاي اجتماعي با عنوان شبكه‌هاي پرسش و پاسخ در جوامع مختلف مطرح شده‌اند كه كاربران سوالات خود را در آن مطرح مي‌كنند و به سوالات ديگران پاسخ مي‌دهند. يافتن ارزش پاسخ‌هاي ارائه‌شده در شبكه‌هاي پرسش و پاسخ موضوعي مهم مي‌باشد. از اين رو مسئله خبره‌يابي به يكي از پرچالش‌ترين موضوعات در شبكه‌هاي پرسش و پاسخ تبديل شده است. تاكنون تحقيقات زيادي در اين زمينه صورت گرفته است و روش‌هاي خبره‌يابي متنوعي ارائه شده‌اند. قابل توجه است كه در هيچ يك از اين روش‌ها به درجه سختي سوالات مطرح‌شده توجه نشده است. واضح است كه كاربري كه به يك پرسش سخت پاسخ مي‌دهد به نسبت كاربري كه به يك پرسش ساده پاسخ مي‌دهد، از دانش بيش‌تري برخوردار است. لذا تعيين درجه سختي پرسش‌ها مي‌تواند در خبره‌يابي موثر باشد. بنابراين در ادامه ما بر تعيين درجه سختي سوال تمركز داشته‌ايم. در فاز اول با استفاده از تكنيك‌هاي متن‌كاوي معيارهايي ارائه كرده‌ايم كه با اعمال آن‌ها و ميزان تاثيرگذاري هر يك از آن‌ها توانستيم درجه سختي هر سوال محاسبه كنيم. در فاز دوم، با استفاده از تكنيك تحليل شبكه اقدام به تعيين امتياز خبرگي كاربران نموديم. به اين شرح كه با توجه به تعداد پرسش‌ها و پاسخ‌هايي كه كاربران ارائه كرده‌اند و امتياز اين پرسش‌ها و پاسخ‌ها گرافي از شبكه ايجاد شد، كه كاربران گره‌ها، پرسش‌ها و پاسخ‌هاي مطرح‌شده يال‌ها و امتياز پرسش‌ها و پاسخ‌ها وزن يال‌هاي آن گراف را تشكيل دادند. با اعمال اين دو مرحله، توانستيم براي پرسش‌ها، درجه سختي و براي كاربران مطرح‌كننده آن پرسش‌ها، درجه خبرگي را تشخيص دهيم. از تجميع دو معيار "درجه سختي" و "درجه خبرگي" به دست‌آمده، درجه خبرگي نهايي كاربران كه متاثر از تكنيك‎هاي متن‌كاوي و تحليل شبكه مي‌باشد، محاسبه گرديد. شبكه پرسش و پاسخ stack overflow به عنوان جامعه آماري مورد بررسي قرار گرفت و روش فوق بر نمونه آماري انتخاب‌شده از اين جامعه اعمال گرديد. با بررسي امتياز درجه خبرگي نهايي كاربران و مقايسه آن با ميزان شهرت واقعي كاربران مشخص شد كه سير رشد درجه خبرگي نهايي به دست آمده در روش جديد و ميزان شهرت واقعي كاربران به يكديگر نزديك است.

1396/08/10

5/6/2018 12:00:00 AM

Nowadays social networks are spreading. Q&A systems are sort of social networks where users can ask their questions and answer others questions. Estimating the value of answers is an important issue in such a system. So expert finding is one of the most challenging aspects in Q&A systems. Many researches has focused on this issue, but none of them has pay enough attention to level of question hardness. It is obvious that a user who answers hard question is more expert than a user who answers simple questions. Therefore, estimating question hardness can affect on expert finding and we are going to concentrate on question hardness in order to do expert finding in Q&A systems. In the first step, we introduced some criterions and calculated question hardness level. In the second step, we calculated users expertise level based on number of users questions and answers and their scores. At the end, we calculated final expertise level of users by combining these steps results. We chose stack overflow Q&A system as statistical society and then we implemented our method on sample of it. By comparing results of our method with users’ popularity of stack overflow, it was found that our result growth is similar to users’ popularity of stack overflow Q&A system.