مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه فناوری اطلاعات و ارتباطات ایران 2717-0411 17 65 2025 10 17 UsERQA: An LLM-Driven User-Aware Community Question Answering System UsERQA: سیستم پاسخ‌گویی به پرسش‌های انجمن آگاه به کاربر مبتنی بر مدل‌های زبانی بزرگ fa سیده زهرا آفتابی دانشگاه صنعتی خواجه نصیر الدین طوسی سعید فرضی دانشگاه صنعتی خواجه نصیر الدین طوسی 2024 9 9 <p style="text-align: justify;"><span style="font-family: 'times new roman', times, serif;">In the present era, question-and-answer communities have become vibrant platforms for sharing knowledge. Every year, millions of questions are posted on these forums with the hope of receiving answers from human experts. Nonetheless, many of these questions fail to receive timely or accurate answers due to experts' limited time or being duplicates. In recent years, a large body of research has focused on identifying entailed questions within community archives and using their accepted answers to fulfill the information needs of newly posed questions. Most of these studies match questions syntactically and semantically while resorting to external knowledge injection or increased model complexity to enhance question understanding. However, the critical role that the topics typically explored by questioners play in disambiguating their queries has been overlooked. This research addresses this gap by introducing UsERQA, a novel retrieval-augmented generation (RAG)-based question-answering system incorporating user knowledge. UsERQA utilizes large language models to represent the questioner's knowledge as a sequence of topical tags. In addition, it employs a question entailment recognition process as a post-retrieval strategy, with a new constraint, mandating the alignment between entailed questions and the questioner's knowledge. Afterward, another large language model generates the final answer using the accepted answers of top entailed questions as context. The goal is to imitate human writing patterns and leverage the knowledge contained in human responses to produce high-quality answers. Experimental results on the CQAD-ReQuEST dataset indicate the efficiency of UsERQA in modeling user knowledge and producing more accurate responses than its user-agnostic counterpart.</span></p> <div id="highlighter--hover-tools" style="display: none; text-align: justify;"><span style="font-family: 'times new roman', times, serif;">&nbsp;</span></div> <div id="highlighter--hover-tools" style="display: none; text-align: justify;">&nbsp;</div> <p style="text-align: justify;"><span style="font-family: arial, helvetica, sans-serif;">در عصر حاضر، انجمن&zwnj;های پرسش و پاسخ، به بستر&zwnj;هایی پویا برای تبادل دانش بدل شده&zwnj;اند. سالانه میلیون&zwnj;ها پرسش به امید دریافت پاسخ از متخصصین، راهی این انجمن&zwnj;ها می&zwnj;شوند. اما شمار زیادی از آنها به دلیل محدودیت زمان و منابع متخصصین یا داشتن محتوای تکراری، از دریافت پاسخ صحیح و زودهنگام بی&zwnj;نصیب می&zwnj;مانند. در این راستا، مطالعات بسیاری به شناسایی پرسش&zwnj;های با مضمون مشابه پرسش ورودی در بایگانی انجمن و بهره&zwnj;مندی از پاسخ&zwnj;های تأییدشده آنها جهت رفع نیاز اطلاعاتی پرسش پرداخته&zwnj;اند. عمده این پژوهش&zwnj;ها، از تطابق ویژگی&zwnj;های نحوی و معنایی زوج پرسش استفاده نموده&zwnj; و برای درک بهتر پرسش&zwnj;ها، به تزریق دانش خارجی یا افزایش پیچیدگی مدل متوسل شده&zwnj;اند. در این میان، نقش کلیدی دایره موضوعات مورد مطالعه پرسشگر در رفع ابهام از محتوای پرسش مغفول مانده&zwnj;است. پژوهش حاضر با ارائه یک سیستم مولد بازیابی&zwnj;افزوده برای پاسخگویی به پرسش&zwnj;ها موسوم به UsERQA که مبتنی بر مدلسازی دانش پرسشگر است، به رفع این شکاف تحقیقاتی می&zwnj;پردازد. UsERQA با بهره&zwnj;گیری از مدل&zwnj;های زبانی بزرگ، دانش پرسشگر را به&zwnj;صورت دنباله&zwnj;ای از برچسب&zwnj;های موضوعی توصیف نموده و شرط همسو بودن پرسش&zwnj;های متضمن با دانش پرسشگر را به فرآیند شناسایی پرسش&zwnj;های متضمن که یک فرآیند پسابازیابی است می&zwnj;افزاید. سپس، یک مدل زبانی دیگر، به تولید پاسخی واحد بر پایه برترین پاسخ&zwnj;ها مبادرت می&zwnj;ورزد. به موجب این فرآیند می&zwnj;توان از سبک نوشتاری و دانش نهفته در پاسخ&zwnj;های انسانی، جهت تولید پاسخِ باکیفیت، الگوبرداری کرد. نتایج آزمایش&zwnj;ها روی دادگان CQAD-ReQuEST، عملکرد موفق UsERQA در مدلسازی کاربر و بهبود کیفیت پاسخ&zwnj;ها نسبت به مدل مستقل از کاربر را نشان داد.</span></p> <div id="highlighter--hover-tools" style="display: none; text-align: justify;"><span style="font-family: arial, helvetica, sans-serif;">&nbsp;</span></div> <div id="highlighter--hover-tools" style="display: none; text-align: justify;">&nbsp;</div> http://jour.aicti.ir/ar/Article/Download/47950