随着Web2.0的飞速发展,个性化和社区化成为潮流趋势。问答社区(Community Question Answering)以其灵活的用户交互特性,成为广受用户喜爱的知识共享平台。目前,在互联网上已经出现了很多问答社区网站,这些问答社区网站已经积累了大量的用户和内容资源,并呈现持续增长的态势。社区上每天都有大量新问题被提出,等待其他用户解答。为新问题推荐一组用户来解答该问题,一方面可以缩短提问用户的等待时间,另一方面可以帮助回答用户找到合适的问题来回答,提高用户粘性。本文的主要工作内容是探索根据用户的历史回答记录挖掘用户兴趣进而根据用户兴趣进行问题推荐的方法。首先,社区中问题的标签包含很多宝贵的信息。对于每一个问题,发问者提供的标签可以被看作是发问者的焦点和意图的最具代表性的词汇。本文提出了一种基于时效性标签的问题推荐方法,根据用户的历史回答问题中标签出现的次数来计算用户在每标签下的得分,进而生成用户-标签矩阵,并根据该矩阵为新问题找到感兴趣的回答者。同时考虑了不同标签的重要性及用户兴趣随时间变化等因素,对标签和用户历史回答加权。实验结果表明本方法的有效性,并且考虑标签权重及用户兴趣变化等因素后能进一步提升推荐效果。其次,问题的多个标签及文本单词之间存在语义关系,卷积神经网络可以有效挖掘文本单词之间的语义信息,在文本分类中效果显著。本文利用卷积神经网络,以文本分类的方式,预测问题的回答者,输入问题的文本及标签,输出每个候选用户回答该问题的概率。在考虑同时利用问题标签和问题正文时,本文提出采用双卷积通道隔离标签与正文,从而防止正文与标签之间相互干扰。进一步的,考虑到问题标签与正文词空间存在鸿沟,本文提出采用双层卷积神经网络,先将文本词映射到标签空间内,然后在标签空间内挖掘用户兴趣,进行问题推荐。实验结果表明本文方法的有效性。最后,本文利用排序学习方法具有融合多种特征的天然优势,将多个模型预测结果作为特征值,训练一个融合多个推荐模型结果的混合模型,实现多个模型的优势互补。实验结果表明该方法能进一步提升推荐效果。