第一篇 Formal models for expert finding in enterprise corpora. In SIGIR ’06

举例：

doc1  梁斌是做机器学习的,也是学机器学习的

doc2  机器学习课程助教梁斌

doc3  梁斌参加了暑期实践

doc4  梁斌做了微博寻人

P(梁斌|d1） = 1/3   //考察文档产生专家的能力，即d产生梁斌的能力

p(梁斌|d2)  = 1/4

p(梁斌|d3)   = 1/3

p(梁斌|d4)  = 1/2

p(机器学习|d1) =2/3  //考察文档产生query的能力

p(机器学习|d2) =1/4

p(机器学习|d3) =0

p(机器学习|d4) =0

P(机器学习|梁斌) = 1/3* 2/3 + 1/4*1/4 + 0*1/3 + 0*1/2 = 0.28

P(微博寻人|梁斌) = 1/2*1/2=0.25

第二篇 Generative Modeling of Persons and Documents for Expert Search (SIGIR 2007) 

产生模型发生了点变化，

第一篇论文是e和q，由D分别产生，第二篇论文是e由D产生，在由e产生q。由于E产生Q的能力无法直接计算，论文采用了EM的方法计算，推导过程没看懂，但感觉思路是对的。

第三篇 Discriminative Models of Integrating Document Evidence and Document-Candidate Associations for Expert Search (SIGIR 2010)

提出采用Discriminative Model的方法来判别专家e和查询q的相关性。

举例

Ma代表我导师马少平，P代表我

do: Ma IR    //假定doc-0提到了Ma 1次，提到了IR 1次

d1: P  IR Ma ML

d2: P  ML 

d3" Ma IR IR

P(r=1|Ma,IR) = P(r=1|Ma,d0)*P(r=1|IR,d0)*P(d0)+.....//d1,d2,d3依次，参见上面公式

也就是Ma和IR的关系的度量，通过Ma和D的关系，和D和IR的关系来计算。

即

计算方法，通过提取E（专家）和D（文档）的若干特征，和D（文档）和Q（查询）的若干特征，通过maximizing the conditional log-likelihood of the sample data的方法求得特征对应的系数。例子我就不举了，大家看论文吧。