Stack Overflow是最流行的编程社区问答（PCQA）网站之一,近年来吸引了越来越多的用户。用户的增加使得网站上有大量的问题被提出,而这些问题之间可能存在相关性而未被识别。当用户在Stack Overflow提出或查询问题时,若能提供与该问题相关的问题有助于用户解决问题。此外,识别出重复问题能够更好地帮助网站进行维护,也减少了提出重复问题的用户的不必要等待时间。尽管已有大量研究方法致力于自动预测Stack Overflow上问题之间的相关性,但这些方法中,基于特征的方法未能充分利用问题中的语义信息,并且无法克服词汇间隙问题。而深度学习方法大多基于句子编码模型的结构进行构建,这类方法可能会丢失两个问题之间的语义交互信息。此外,由于问题内通常包含着较长的文本序列,该类模型也无法对文本进行合适的特征提取以及长距离依赖信息的有效捕获。针对上述问题,本文中提出了基于注意力的句子对交互模型（Attention-based Sentence Interaction Model）ASIM,用于自动预测Stack Overflow上问题之间的相关性。ASIM模型主要由（1）文本编码及特征提取框架和（2）交互信息提取与融合框架构成。在文本编码及特征提取框架中,本文通过预训练特定于软件工程领域的词嵌入,减少一般领域词嵌入在大量与软件工程无关的语料上训练带来的单词含义不准确问题,并基于自注意力机制对双向LSTM编码器的输出进行问题内交互信息的提取以及长距离依赖信息的捕获;在交互信息提取与融合框架中,本文采用软注意力机制对问题间交互信息进行提取,并通过与原始问题特征的融合,使得模型做出更稳定的匹配,进一步提升预测效果。实验结果表明,ASIM在Stack Overflow知识单元数据集上获得了超越其他模型的优秀性能,相较于此前效果最好的模型DOTBILSTM,在Micro-F1评估指标上有着6.9%的绝对性能提升,达到了81.91%的得分。此外,为验证模型的泛化性能,ASIM在软件工程领域的Ask Ubuntu重复问题检测数据集、一般领域中的Quora Question Pairs数据集、Sci Tail数据集以及Wiki QA数据集上进行了实验。ASIM同样保持了优越的性能,超越了众多现有方法,证明了该模型的泛化性以多领域预测能力,为模型的理论和设计提供了有力的支持。