ارائه مدلي جهت پيش ‌بيني ارتباط بين واحدهاي دانشي در وب سايت‌هاي پرسش و پاسخ برنامه‌ نويسي با استفاده از تكنيك ‌هاي يادگيري عميق: مطالعه ‌موردي Stack Overflow

وب‌ سايت Stack Overflow يكي از محبوب‌ترين جوامعي است كه ميليون‌ها برنامه‌نويس از آن استفاده مي‌كنند. اگر يك سوال و پاسخ‌هاي متناظر با آن را يك واحد دانشي در نظر بگيريم، آنگاه بين واحدهاي دانشي ارتباط مختلف معنايي وجود دارد كه اين ارتباط شامل ارتباط تكراري، ارتباط مستقيم، ارتباط غيرمستقيم با سوال طرح‌شده است. تشخيص دسته‌هاي مختلف ارتباط معنايي بين واحدهاي دانشي در Stack Overflow مي‌تواند اثربخشي و كارايي جستجوي اطلاعات را به‌طور چشمگيري بهبود بخشد. در اين مطالعه، يك رويكرد تركيبي مبتني بر روش‌هاي يادگيري عميق و معيارهاي تشابه سنتي جهت تشخيص ارتباط بين سوالات ارائه مي‌شود. به‌طور خاص دو معماري شبكه عميق ارائه مي‌شود كه معماري اول از شبكه حافظه كوتاه‌مدت طولاني دوطرفه و همچنين لايه محاسبه كننده شباهت كسينوسي تشكيل شده است. معماري دوم گسترش يافته‌ي معماري اول با اضافه كردن مكانيزم توجه است. رويكرد پيشنهادي روي يك مجموعه داده سوالات زبان برنامه‌نويسي جاوا شامل 40000 مورد ارزيابي قرار گرفت. نتايج به‌دست‌آمده نشان مي‌دهد كه در معيار‌هاي F1، Recall و Precision مدل پيشنهادي عملكرد بهتري نسبت به مدل‌هاي موجود از خود نشان مي‌دهد. به طور خاص مدل پيشنهادي در اين مقاله در معيار F1 بهبود 17.3 درصدي نسبت به برترين مدل فعلي دارد. همچنين نتايج آزمايش‌ها نشان مي‌دهد كه استفاده از مدل تعبيه كلمات از پيش آموزش‌ديده به‌طور قابل‌ملاحظه‌اي عملكرد مدل‌هاي ارائه‌شده را بهبود مي‌بخشد.