1. 引言

原文为《Multi-Relational Graph based Heterogeneous Multi-Task Learning in Community Question Answering》。

社区问答系统（CQA）帮助数百万的用户在网络上获取问题的解决方案或者是分享他们的专业知识。CQA中许多问题已经被进行了大量的研究，比如重复问题检测，答案推荐等。由于CQA是一个关联紧密的平台，这些任务或多或少都存在相关的关联性。比如，重复问题检测和答案推荐对互相可能会有帮助，因为这两个任务都聚焦于语义匹配。因此，在CQA平台中研究多任务学习（MTL）可能会提高所有任务的表现。

但是，大多数现存的MTL框架只考虑相似的任务，比如分类和回归任务，或者假设特征类型相同。考虑到CQA中任务的异质性（任务之间的关联并不大），当前存在的MTL框架并不能有效地与CQA任务结合。总的来说，当前的MTL框架存在两个主要的问题。（1）把异质的CQA数据中的特征使用一个统一的框架来表示是非常必要的，即在同一个语义空间表示所有的特征。（2）不同任务的标签之间存在一定的关联性，当前的MTL框架并没有利用到不同任务之间标签的关联性。

为了解决上述的问题，本文提出算了一个HMTGIN框架，使用多关系的图来构建整个CQA结构，用GIN算法更新节点表示，并且设计了两种跨任务的限制来关联不同任务中的标签。

2. 模型

2.1文中涉及到的任务

文中考虑了五个社区问答系统中的任务，五个任务可以分成三个任务类型。

首先是链路预测，包含两个任务。

（1）标签预测：给定一个Q-TAG对，判断这两个节点之间是否存在边。

（2）重复问题检测：给定一个Q-Q对，判断这两个节点之间是否存在边。

其次是排序任务，包含一个答案排序任务：给定当前问题和对应回答列表Q-A list，对列表中的回答进行排序。

最后是分类任务，包含两个任务。

（1）回答得分分类：以答案获取的投票数为基准，把答案分成[0-3]中的整数。

（2）用户声誉分类：以用户的专业度为基准，把用户节点分成[0-4]中的整数。

2.2 HMTGIN模型架构

如图1所示，DukeNet包含三个部分：(1)图构建;(2) 子任务学习; (3) 限制设计。

图1 HMTGIN模型

2.3 图构建

如图2所示，文中的图包含四类节点：问题，答案，用户，标记（TAG）。这些节点包含了各种类型的边，从而全面的对复杂异质的CQA社区进行了表示。

图2 图构建

对于不同类型的节点，文中采取了不一样的初始化策略。对于问题节点，根据问题节点的相关属性：标题，问题内容，创建时间等进行初始化。对于答案节点：使用文本还有创建时间等。对于用户节点：使用用户等级等属性进行初始化。对于文本类型的属性，文中采用GLOVE词向量的平均，对于离散的数字，则使用one-hot形式编码。最后采用SVD降维方式将所有的节点表示映射到相同的维度。

文中采用如下公式对节点表示进行更新：