随着网络社区应用的逐渐深入,用户由于对某一主题的共同兴趣和知识获取、交流需求而聚集,以创造和共享知识为目的形成了一类网络知识社区。网络知识社区的产生和发展为用户提供了专业化的知识交流平台,也为促进社区用户知识水平的提升、间接地对于用户知识创造和创新活动等提供了极大的便利和可能性。由于网络社区用户组织和管理较为松散、用户自身存在个体特性差异、用户创造和共享知识的目的性和动力强弱有别,用户群体在社区活动中会逐渐分化核心成员和边缘用户。在网络知识社区中,核心用户是一种重要的社区资源。他们能够以丰富的专业知识、经验和良好的沟通技巧为其他用户提供更加有效的在线支持,进而可以帮助社区提高吸引力、增强社区用户黏度,对于网络社区运营和提高网络社区整体的知识水平都具有重要的作用和意义。对于网络社区中的核心用户识别问题,研究者从不同的理论和方法视角对该问题进行了深入研究,产生了很多方法和技术。然而,从单一的理论和方法视角出发对核心用户进行识别,只能利用网络知识社区中的一种或几种属性数据,难以对用户进行全面刻画,从而导致核心用户识别存在准确率较低的问题。本文在对相关研究进行系统综述的基础上,对网络知识社区及网络知识社区用户属性数据进行了调查研究。通过对网络知识社区中用户的基本属性数据、社交关系数据和交互活动数据的分类、分析,提出了一种融合多属性的网络知识社区核心用户识别方法。本文主要在以下几个方面进行了深入研究。（1）对网络知识社区用户的活跃性和专业性进行量化。本文在对网络知识社区用户属性数据进行深入调查、分析和归类的基础上,借鉴现有研究并结合综合评价方法,分别设计了用户活跃性和专业性的指标体系,对用户的学历学位和职称信息进行了等级量化处理,并使用熵权法确定各指标权重,从而对用户的活跃性和专业性进行度量。（2）构建网络知识社区超网络模型。为了对用户在社交关系和交互活动中的重要性进行度量,本文结合超网络理论中的多层级网络分析方法和社会信任理论中认为虚拟网络社区中用户间信任会体现在用户之间的情感交流观点,通过对网络知识社区用户间关系类型进行分析,构建了包含用户社交子网、交互子网和情感子网的网络知识社区用户关系超网络模型,作为后续研究的基础模型。（3）基于邻居好友重叠度的用户重要性。为了度量用户在社交子网中的结构重要性,本文受基于局部相似性的节点重要性算法启发,设计了基于邻居好友重叠度的用户社交关系重要性算法。本文使用Salton指标计算用户好友重叠度以提高用户节点在社交关系网络中结构重要性评分,并使用待评价节点的聚类系数对用户节点的结构重要性得分进行修正。（4）用户综合情感倾向性排名。为了度量用户在交互子网和情感子网中的重要性,本文首先对网络知识社区用户在评论和回复交互活动中产生的文本数据进行预处理和划分,基于Bi LSTM模型训练了用户交互文本内容情感分析模型。在对用户每次交互产生的文本内容进行情感分析的基础上,设计了用户累计交互情感值计算方法,并通过对Leader Rank算法的加权改进,提出了用户综合情感倾向性排名算法。本文使用熵权法对用户的活跃性、专业性、用户社交关系重要性和综合情感倾向性得分进行加权综合作为用户的核心性得分,并通过得分排名识别网络知识社区中的核心用户。本文以“科学网博客”作为研究对象进行实证研究,实证研究的结果表明,相比在用户社交关系网络中的度中心性排名和在用户交互关系网络中的Leader Rank排名,本文中提出的融合多属性的网络知识社区核心用户识别方法对与核心用户的识别准确度平均分别提高了9.44%和25.97%。