信息技术的快速发展为人们获取、共享知识提供了新的工具。具有代表性的问答社区在人们学习、生活、工作、娱乐等各个方面扮演着重要的角色,随着其信息量的指数级增长,如何有效的评价问答社区内的答案质量便成为了一项重要的工作。本文为了评价问答社区中用户生成的答案质量,提出了基于多种模型,深度挖掘问答社区内可用作答案质量评价的语义特征和非语义特征,通过机器学习分类方法实现了对答案质量的评价。主要包含以下内容:(1)基于主题相关性的答案质量评价针对问答社区的问题和答案文本具有的文本特征矩阵稀疏,上下文信息丢失,以及问题文本的长度和答案文本的长度严重不匹配这一问题和现状,本文提出了基于问题文本语义扩展的答案质量评价模型。首先,根据使用问题和正确答案构成的文本集,通过Word2Vec训练词向量,在词粒度上挖掘文本语义信息,对问题文本的主干词计算与其相关的词集,从而实现了对问题文本的语义扩展。其次,使用LDA主题挖掘模型,通过对问题和答案文本的主题推断,将文本表示成为主题向量,并使用JS距离计算了问题和答案文本的主题相关性。最后以问题和答案的主题相关性为特征,采用机器学习常用算法SVM、LR和决策树C4.5学习构建了答案质量评价分类器。在此基础上进行实验,发现本文所提出的基于语义扩展的方法计算得到的主题相关性对答案质量的分类效果上明显高于基于LDA的主题相关性计算的方法,但是对答案分类的精确率低于现有研究间接评价方法。(2)融合多特征的答案质量评价本文融合了文本特征、用户特征、社会交互特征和时序特征,对问答社区内数据深入挖掘,提出使用层次分析法计算用户权威度,通过朴素贝叶斯算法挖掘了答案文本的情感极性,同时计算抽取了答案及时性、答案丰富程度和答案得票数并结合上文计算得到的问题答案主题相关性训练答案质量的分类模型,实现SVM、LR和决策树C4.5答案质量分类器。通过实验发现本文模型对答案质量的分类效果明显高于仅基于问题答案主题相关性的分类方法。