在信息技术飞速发展的今天,以Web2.0概念为主导的重要网络应用“社区问答系统”现已逐渐成为人们网上信息获取和经验知识分享的重要渠道。百度知道、Yahoo!Answers、知乎等作为现在颇受欢迎的系统,它们充分利用社区用户知识来满足人们广泛的信息需求。从目前发展形势来看,即便社区问答系统通过问答的形式给很多用户提供了诸多的信息资料,然而系统中依旧存在不少用户提交的问题还没有得到任何回复。在已解决的问题中,也有相当一部分答案并不能让提问者满意。虽然社区中有大量用户存在,但即使是对于拥有丰富问答经验的人来说,从大批处于未解决状态的问题中寻找自己想要回答的问题,也是非常不容易的。因此,本文针对社区问答系统中的问题推荐机制展开了细致的研究,目的是通过挖掘潜在回答问题的用户,从而进行有效合理地问题推荐。由此来保证系统中不断提交的大量新问题可以得到及时而准确的回答。所以,本文提出了一种融合社区用户兴趣度和活跃度信息特征的问题推荐算法。主要研究工作如下:(1)用户活跃度估算。分析社区用户活跃度信息在问题推荐研究中发挥的重要作用,并将每一位用户每天发生的行为活动看成数据流的形式,采用了一种基于衰减窗口的技术来估算用户的活跃度数值。(2)用户兴趣度建模。根据问答系统中用户丰富的个性化信息建立问答数据文件,利用基于主题的方式创建用户兴趣度模型,将每个用户的兴趣特征以提取的隐含主题分布进行呈现。(3)融入用户活跃度的推荐算法设计。结合用户兴趣度和活跃度信息优化推荐方法,得到用户综合评分排序结果,从而为未解决问题找到合适的回答者。(4)实验系统构建。为了检验用户活跃度信息特征对排序结果的优化作用,设计实现了实验系统,并进行了对比实验操作。实验结果证实,改进后的问题推荐方法在性能方面有所提升。