来源：期刊VIP网 时间：
作者：许嘉;李正凯;吕品;王艳秋;苏申;王志刚;
单位：广西大学计算机与电子信息学院;广州大学网络空间安全学院;深圳职业技术大学人工智能学院;
摘要：专家发现(Expert Finding)的核心目标在于精准匹配用户提问与能够提供高质量解答的潜在专家，是问答社区、企业搜索和社交网络等多种应用的核心支撑任务。然而，当前专家发现领域的研究大多局限于单一核心知识视角，难以全面、多视角捕捉问题和专家的潜在特性，从而限制了专家发现的准确性。为解决这一难题，文章提出了一种基于大语言模型的多知识视角专家发现模型(LLMef)。该模型引入了多知识视角建模机制，有效融合核心知识、前置知识及后置知识三大视角的全面信息，实现对问题和专家特征的深度、细粒度表征。具体而言，LLMef模型基于开源大语言模型LLaMA-2-7B设计问题多知识视角编码器，实现问题的多知识视角表征；同时，设计了专家多知识视角聚合器，利用注意力机制聚合专家历史回答问题中的多知识视角信息，生成专家的多知识视角聚合表征。最后，通过对比实验、消融实验、参数敏感性实验，并辅以案例分析对LLMef模型进行验证。对比实验结果表明：与最好的基线模型TCQR相比，LLMef模型在6个公开数据集上的平均倒数排名(MRR)、前K精确度(P@K)和归一化折损累积增益(NDCG)分别平均提升了9.83%、13.58%、6.25%。消融实验结果表明问题多知识视角编码器和专家多知识视角聚合器的协同作用显著提升了问题建模与专家建模的精细度及准确性：与LLMef模型相比，关于问题多知识视角编码器的变体模型的MRR值平均降低了7.21%,关于专家多知识视角聚合器的变体模型的MRR值平均降低了10.43%。此外，参数敏感性实验结果明确了LLMef模型的最优参数配置，案例分析结果进一步揭示了LLMef模型优化专家发现效果的内在逻辑。综上可知，LLMef模型能够更精准地挖掘问题与专家间的潜在知识关联，可为问答社区、企业搜索等场景提供更可靠的专家发现结果。
关键词：专家发现;;大语言模型;;多知识视角建模
基金资助：国家自然科学基金项目(62572135);; 广东省基础与应用基础研究基金项目(2025A1515011582,2025A1515012952);; 深圳职业技术大学校级科研项目(6025310013K)
