在现如今的生活与工作中,互联网已经凭借着高可用性和便捷的可访问性,以及海量的数据来源,使得人类进入了信息获取爆炸的时代。如何从庞大的信息中准确而快速的获得自己需要的信息,变得越来越重要。问答系统就是基于此需求应运而生,在智能客服,购物推荐,知识问答,寻医问药等实际领域中,都广泛应用着问答系统。用户输入自己的问题或者关键词,系统就会返回一段知识或者排好序的一系列url或文字。但在很多问答系统的排序里,存在着问题,导致答案排序不理想,不能完全贴合用户的需求,这会降低用户的体验,也会影响从互联网中获取知识的效率。引起排序效率不够高的原因可能是特征不够精准,也可能是特征不够全面或者特征权值设置不够合理。为了优化问答系统的排序效果,本文对问答系统的特征进行了多样化深入研究,融合了传统的特征工程与深度学习的语义相似度计算,旨在结合统计学与语义寻找问题与答案之间的内在关联。在对问题与答案去除停用词后,提取特征,建立传统特征工程后,对特征做归一化,和特征筛选,消除特征之间的量级影响,减少冗余特征与噪声。然后将文本映射为向量,使用深度学习的方法,计算问题与答案之间的语义相似度特征,结合这两部分特征为输入,通过梯度提升树学习方法计算特征的增益,达到最终优化排序结果的目的。本文尝试了多种短文本语义计算方法,包括词频统计,编辑距离这样的传统方式,以及word2vec与bert这样的语言模型,对多种类型的特征进行融合建立特征工程来优化相似度计算的结果,提高准确率。考虑到精简问答系统召回时间,作者对问题进行了实体识别,对包含问题实体的答案进行了加权。在公开数据集上验证自己改良后的排序结果,证明最终排序效果是有所提升的。