社区问答论坛——如Stack Overflow,Stack Exchange,教育论坛——如大规模在线公开课(Massive Open Online Course,简称MOOC)论坛是网民学习交流中重要的媒介。人们对信息质量、信息时效性和反馈效率的追求,促使论坛管理的不断完善。对论坛中重复问题的检测识别是论坛管理中面对的主要任务之一。重复问题的精准识别和检测对构建常见问题库有重要意义,且影响着论坛平台能否有效地为用户检索相关答案,影响着能否为资深用户或论坛“领袖”推荐一些有挑战性、未被提问过的问题,这与用户的体验密切相关,甚至影响着用户的去留。借助语义匹配模型,可以解析问题对的释义,以识别问题对的语义是否对等,从而实现对重复问题的检测和判别,减少人工标记和管理的成本。但多数网络论坛分学科、分领域,领域数据不足等领域特殊性问题使现有语义匹配模型很少能直接应用于此类具有领域特殊性的论坛。为解决上述问题,本文提出将语义匹配模型与多任务学习集成的解决方案,多任务学习采用基于参数软共享的方法,利用大规模数据辅助目标领域任务,实现多学科、多领域论坛的重复问题检测。针对现有语义匹配模型对句子级别语义解析的缺陷,本文提出结合词对句交互机制的混合CNN(hybrid CNN,简称h CNN)模型h CNN-I和h CNNII,词对句交互机制在h CNN的基础上,可通过词与词之间的关系,进一步抽象出句子级别的语义,从句子级别的语义选择性地忽略或注意潜在的相似词、关键词,从而更好地识别问题对的释义是否等同。本文在公开基准数据集和中英文MOOC论坛数据集上实验对比多种迁移策略,讨论重复问题检测面临的领域特殊性问题,验证本文多任务学习方法的有效性。在基于参数软共享的多任务学习框架下,实现多种经典对比算法,验证对比本文模型与经典语义匹配模型的效果。实验表明,通过与多任务学习方法结合,h CNN-I和h CNN-II语义匹配模型相较于经典语义匹配模型在多领域、多学科论坛的重复问题检测任务中取得较优效果,且词对句交互机制是有效的。通过可视化分析,本文进一步解析参数软共享多任务学习和词对句交互机制的工作原理,侧面验证了本文方法的有效性。