随着互联网信息量的飞速增长，出现了多种帮助用户获取信息的网络服务。其中，问答社区作为一种基于用户交流互动的知识分享平台而受到欢迎。问答社区积累了大量的问答资源，用户不用登录可以直接搜索自己需求的信息。针对用户的这种查询行为，本文提出了基于问答语义关系的社区推荐系统，以给用户推荐更为相关的问答信息，同时推荐相关的社区用户，达到鼓励交流、激励其加入问答社区的目的。研究的内容主要包括以下几个方面：　　首先，本文进行了问答对的语义关系研究。根据问答对的文本特性，在处理中引入了以受限制波尔兹曼机(Restricted Boltzmann Machine,RBM)为基本单元的多层神经网络，通过对其结构的优化、参数的设定来完成问答对信息的特征降维。实验结果表明，降维的特征表示方法能很好地体现问答对的语义相关性，在一定程度上解决了基于关键词索引中出现的词空缺(Lexical gap)问题。　　其次，本文利用社区结构信息完成答案质量的评估。把问答社区中的结构信息作为描述答案信息的特征，通过机器学习方法，对语义相关的答案信息进行质量评估。实验结果表明，该方法有助于获得更为相关的问答信息。　　第三，文本阐述了基于问答对相似性的用户推荐方法。把用户的历史问答信息通过多层神经网络的处理表示为语义特征向量，并将其视作一种描述用户的结构信息。为了体现这种结构信息的应用效果，本文设计了依据查询的相关用户推荐算法。这个方法实现了对未登录使用者进行社区相关用户的推荐，能够为问答社区吸引新的注册用户。实验的结果说明了该方法能够提供较满意的推荐结果。