Beyond Static: Related Questions Retrieval Through Conversations in Community Question Answering

Resumo Técnico: TeCQR – Recuperação de Perguntas Relacionadas através de Conversas

Título Original: Beyond Static: Related Questions Retrieval Through Conversations in Community Question Answering
Publicação: Aceito pela AAAI 2026

1. O Problema (Problem Statement)

Em plataformas de Respostas a Perguntas Comunitárias (cQA), como o Stack Overflow, a recuperação de perguntas relacionadas é fundamental para evitar a duplicidade de postagens e fornecer respostas rápidas. No entanto, os métodos tradicionais enfrentam dois desafios principais:

• Ambiguidade de Consultas (Queries): As consultas dos usuários costumam ser curtas e vagas, dificultando a compreensão da intenção real.
• Limitações de Métodos Estáticos: Abordagens atuais tentam enriquecer a consulta com informações externas (como tags) de forma estática. Isso pode introduzir ruído (informações irrelevantes ou não confirmadas pelo usuário) e não permite que o sistema aprenda com a intenção do usuário conforme a interação progride.

2. Metodologia (Methodology)

Os autores propõem o TeCQR (Tag-enhanced Conversational Question Retrieval), um modelo que transforma a recuperação de uma tarefa estática em um processo de diálogo iterativo. A metodologia divide-se em quatro pilares:

• A. Inicialização: Utiliza o modelo de linguagem pré-treinado All-MiniLM para projetar consultas (queries), perguntas candidatas e tags em um espaço semântico unificado.
• B. Treinamento Offline em Dois Estágios (Tag-enhanced Two-stage Training):
  1. Treinamento Consulta-Pergunta via Simulação de Conversa: Simula diálogos onde a consulta original é combinada com representações de tags (positivas ou negativas) para aprender a importância de cada feedback no refinamento da intenção.
  2. Treinamento Tag-Pergunta via Aprendizado Contrastivo: Alinha as representações das perguntas com suas tags associadas, garantindo que, no espaço vetorial, uma pergunta esteja próxima de suas tags e distante de tags irrelevantes.
• C. Modelagem de Tolerância ao Ruído (Noise Tolerance Modeling): Reconhece que usuários podem fornecer feedbacks errôneos (por desconhecimento técnico). O modelo avalia a similaridade semântica entre uma pergunta e uma tag; se a confiança for baixa (abaixo de um limiar $\alpha$), o sistema trata o feedback como ambíguo e solicita novas clarificações em vez de aceitar o erro.
• D. Recuperação Conversacional (Conversational Retrieval):
  • Seleção de Tags (Learning to Ask): Utiliza a estratégia Generalized Binary Search (GBS) para selecionar a tag que maximiza o ganho de informação, minimizando o número de perguntas necessárias.
  • Refinamento Iterativo: A cada rodada, o sistema faz uma pergunta de clarificação baseada em uma tag. O feedback do usuário ("sim" ou "não") é integrado à representação da consulta para reclassificar as perguntas candidatas.

3. Principais Contribuições (Key Contributions)

1. Novo Paradigma: Formalização da Recuperação Conversacional de Perguntas (CQR), movendo o campo além dos modelos estáticos.
2. Arquitetura TeCQR: Introdução de um modelo que utiliza tags para guiar conversas de clarificação de forma inteligente.
3. Robustez ao Ruído: Implementação de um módulo de tolerância que evita que feedbacks incorretos do usuário degradem a qualidade da recuperação.
4. Novo Dataset: Criação do StackOverflow-Tag, um conjunto de dados específico para avaliar tarefas de recuperação conversacional.

4. Resultados (Results)

Os experimentos realizados no dataset StackOverflow-Tag demonstraram que o TeCQR supera significativamente todos os modelos de referência (baselines):

• Desempenho Superior: Com 5 rodadas de conversação, o modelo alcançou melhorias expressivas em métricas como MAP (Mean Average Precision) e MRR (Mean Reciprocal Rank) em comparação ao estado da arte (TEcotag).
• Eficácia da Conversa: O modelo mostrou que, quanto mais rodadas de clarificação (até certo ponto), melhor o ranking da pergunta correta (ex: aumento de 10% no Recall@1).
• Resiliência: Testes de estresse mostraram que, mesmo com até 50% de ruído no feedback do usuário, o módulo de tolerância ao ruído permitiu que o TeCQR mantivesse um desempenho superior aos modelos sem essa proteção.

5. Significância (Significance)

Este trabalho é significativo por mudar a forma como sistemas de busca interagem com usuários em contextos técnicos. Em vez de apenas "adivinhar" o que o usuário quer com base em uma frase curta, o TeCQR estabelece um mecanismo de feedback ativo. Isso é crucial para plataformas de conhecimento especializado, onde a precisão terminológica é vital e a ambiguidade é comum, tornando a busca mais intuitiva, precisa e robusta a erros humanos.