随着问答社区的发展,越来越多的互联网用户通过问答社区获取所需信息。然而,由于问答社区中的海量信息,提问者不得不长时间等待其他用户的回答。因此,有必要研究一种推荐机制,以快速找到问题回答者,提高问题解决效率。针对上述问题,本文在对问题回答者推荐相关研究进行深入分析的基础上,针对现有研究的不足,提出了一种综合考虑用户兴趣、用户专长以及用户活跃度等多个因素的问题回答者推荐算法。首先,本文使用统计语言模型对用户兴趣进行建模,用以寻找问题的感兴趣回答者群体。但由于问答社区内用户回答问题的答案质量参差不齐,回答问题多的用户并不一定适合作为推荐用户。因此,我们利用最大熵模型对用户回答质量进行估计,建立了基于用户答案质量的用户专长模型,以区分问答社区中“能力”参差不齐的不同用户,提高了用户推荐的准确性。然而,由于上述信息都是根据用户历史活动数据学习出来的,用户活跃度可能变化较大,基于历史信息推荐的用户可能不再有效。为此,本文在上述用户兴趣和专长模型基础上,进一步提出了一种用户活跃性预测模型,预测被推荐用户是否能对问题及时做出响应,以期提高推荐结果的准确性。最后,本文综合考虑上述三个因素的评价对用户进行排序,推荐合适的问题回答者。文中利用百度问答系统的数据进行了本文算法的实验。实验结果表明,新算法推荐效果在正确率和召回率等指标上得到显著提高。