2、利用优势比改进专业知识推荐系统

利用优势比改进专业知识推荐系统

1. 引言

传统上，推荐系统是解决信息过载问题的一种方法。但在大型组织中，它们成为了一种有助于高效定位具有所需专业知识人员的技术。随着组织不断寻求更好的方法来挖掘其内部知识资本，并促进员工之间的协作以提高生产力，此类专业知识推荐系统变得越来越重要。

随着信息技术的发展，专业知识推荐方法已从使用存储每个员工知识的数据库，转向在异构集合中自动挖掘专业知识表示。专业知识推荐系统的核心是专家发现，即搜索合适的专家进行推荐。2005 年，TREC 的企业赛道推出了专家搜索任务，将专家发现问题表述为一个检索任务，根据特定的主题查询对候选专家进行排名。大多数参与该任务的系统都应用了先进的信息检索（IR）方法，如语言建模技术。

例如，Cao 等人提出的两阶段语言模型在 2005 年表现出色，并在 2006 年的 TREC 中流行起来。在这个模型中，每个文档被表示为主题词袋和专家实体袋。对于每个文档，会创建一个主题词的语言模型（相关模型）和一个专家实体的语言模型（共现模型）。通过假设候选专家和查询之间的条件独立性，从这两种语言模型中计算候选专家的概率得分，其通用表示为：
[P(e|q) = \sum_{d} P(d|q)P(e|d)]
其中，(e) 表示候选专家，(q) 表示主题查询，(d) 表示文档。

2. 建模分析

2.1 专家发现的语言模型及其平滑处理

确定给定主题的专家候选人问题可以表述为“给定主题查询 (q)，候选人 (e) 成为专家的概率是多少”。即根据概率 (P(e|q)) 对候选人进行排名，排名靠前的候选人被认为是给定主题最有可能的专家。

为了