随着互联网的快速发展和广泛普及,以Quora、知乎等为代表的问答网站迅速兴起,极大提高了人们分享知识的便利性。与此同时,一些针对特定用户群体,如面向程序员社区的问答网站StackOverflow等也日益成为分享专门知识的主要途径。随着活跃用户数量的激剧增加,问答网站每天会产生海量的问题和回答,给用户带来了较为严重的信息过载困扰。标签机制有助于用户快速检索到其关心的问答信息,成为应对信息过载的有效手段。然而,由于问题的创建者往往缺乏必要的知识,社区问答网站中绝大多数的问题缺乏有效的标签。因此,如何为社区问答网站中的问题帖自动推荐合适的标签成为了一个迫切需要解决的问题。现有工作主要关注如何对问题贴所包含的文本信息进行理解,从而推荐符合文本内容的标签,但此类工作缺乏对文本与标签之间关联关系的综合考虑,导致问题文本理解过程中的信息缺失;另外,对于一些特定的社区问答网站,如程序员社区问答网站中出现的非文本信息（代码片段）,现有工作要么将其直接作为文本进行处理,要么简单丢弃,导致问题内容理解过程中非文本信息的缺失。针对现有工作的上述不足,本文首先提出了一个综合文本词与标签关联关系的社区问答网站标签推荐模型i Tag,综合建模了文本词之间的顺序关系,文本词与标签之间的共现关系,以及标签之间的语义依赖关系,然后,提出了一个基于代码信息增强的面向程序员社区问答网站的标签推荐技术,给出了一个代码片段中重要词汇提取算法,并结合代码词汇与文本词汇输入i Tag模型进行训练与标签推荐。最后,基于上述技术设计并实现了一个面向StackOverflow问答网站的标签推荐原型系统。具体而言,本文的主要工作如下:1.提出了一种综合文本词与标签关联关系的社区问答网站标签推荐模型,利用编解码模型综合建模了文本标签推荐任务,其中编码端的RNN网络用于建模文本词之间的顺序关系,跨编解码两端的Copy网络和注意力机制用于建模文本词与标签的共现关系,解码端的RNN网络用于建模标签之间的语义依赖关系。在三个真实数据集上的实验结果显示,该模型能够显著提高问答网站中文本标签推荐的准确率;2.提出了一种基于代码信息增强的程序员社区问答网站标签推荐技术,针对程序员社区问答网站中普遍存在不完整、但包含重要信息的代码片段的特点,提出了一个编程语言关键词制导的重要词汇提取算法,并结合文本词汇,再输入前述模型进行训练和标签推荐。在StackOverflow数据集上的实验结果显示,该方法较仅利用文本信息的方法在标签推荐的准确率上有明显提升;3.设计并实现了一个面向StackOverflow问答网站的标签推荐原型系统,初步验证了上述模型与技术的可行性和有效性。