社会化问答社区作为交换信息、分享知识的流行平台,其规模不断增大,导致“知识泛滥”等问题随之出现,使得社会化问答社区的严谨性和专业性有所下降。如何合理地进行答案排序从而提升用户获取知识的效率变得越来越重要,近年来逐渐成为学术界和工业界的研究热点。目前,针对答案排序的传统模型通常只关注问题和答案之间单一模态的文本匹配,未充分考虑用户专业性等因素在衡量答案质量时的作用,因此不适用于集问答与社交于一体的社会化问答平台。现有的建模用户专业性的工作取得了一定进展,但已有的学习范式通常只融合单一维度下的用户信息,导致用户专业性表征不全面、不准确。本文面向社会化问答场景下的答案排序任务,在文本语义匹配的基础上,深入挖掘用户信息,构建多角度混合用户专业性表征机制,强化用户专业性建模的精准性。首先,针对文本匹配中存在的冗余噪音等问题,本文采用自注意力机制和交互注意力机制分别关注单个句子中和句子对交互过程中的重要文本信息。其次,针对用户专业性建模中存在的数据多维度性、数据异构性以及数据离散性等挑战,本文借助标签、元信息等细粒度信息,以用户领域偏好、用户影响力为落脚点,丰富用户专业性的特征表达,缓解单一向量表征带来的用户信息稀疏等问题。具体地,为了提升模型对用户领域偏好的感知,本文根据用户历史行为信息构建用户-标签交互二分图,利用图卷积算法进行信息传播,得到融合领域信息和高阶连通性信息的节点增强表征。在用户影响力表征方面,本文提出影响力数值的定义标准,强化元信息数据的可比较性,并采用区间划分及向量编码技术将离散数据向量化。本文在知乎和Stack Overflow两个真实世界的数据集上进行实验来评估模型效果。实验结果充分证明,相较于答案排序任务上最新的基线方法,本文提出的方法能够取得更好的效果。为了促进相关研究的进行,实验用到的数据集和代码已经公开。