互联网快速发展给用户带来了巨大便利,用户可以从互联网上得到各种信息,但随着信息的爆炸性增长,用户精准地获取知识已变得越来越困难。一般来说,用户会使用搜索引擎查询其所希望得到的答案,但目前的搜索引擎通常只是检索用户输入问题的关键词,并不考虑被检索问题的上下文语义,因此经常出现查询不到所需答案的情况。同时,随着用户参与意识的增强,网民逐步从知识的获取者转变为生产者和分享者,因此,社区问答网站如Quora、知乎等应运而生。但是随着社区问答网站中用户数量的增加,提问者提出的问题可能很久后才能得到答案,甚至得不到答案。因此,对社区问答网站来说,为用户提出的问题推荐有能力回答该问题的专家非常重要。研究者们提出了各种各样的专家推荐方法,但目前大多数专家推荐方法都忽略了用户知识储备会随时间动态变化及用户兴趣会发生动态偏移等问题。针对现有研究方法的不足,本文开展了一些针对性的研究,具体工作如下:（1）本文提出了一种时间敏感的社区问答专家发现方法,该方法根据用户的共同回答和关注关系构建多关系共同回答网络。按周为单位构建问答文本序列,对于每个回答者,记录其每周提供的答案文本,如其在某一周未参与回答,则使用其上周的答案文本。提取这些问答文本的语义特征,学习多关系共同回答网络的拓扑结构以捕获空域社交特征,学习随时间动态变化的问答文本以捕获时域语义特征,最后通过全连接层进行分类。（2）本文提出了一种基于长短期兴趣的社区问答专家推荐方法。该方法通过预训练的语言模型获取问题特征向量。通过语言模型及循环神经网络处理用户历史回答文本从而学习用户短期兴趣。通过在多关系共同回答网络中使用图神经网络捕获用户长期兴趣,用户的长期兴趣和短期兴趣结合形成用户特征向量。通过计算用户特征与问题特征的余弦相似度获得推荐专家列表。（3）最后,构建面向社区问答网站的原型系统,将本文中提出的时间敏感的社区问答专家发现方法和基于长短期兴趣的社区问答专家推荐方法应用到原型系统中,并验证两种方法的可用性和有效性。通过具体的应用,证明本文方法是解决面向社区问答网站的专家推荐问题的有效方案。