Web 2.0时代到来,用户间的联系越来越紧密,问答社区是时代的产物,应时而生且备受青睐。随着用户量的增长,问题日益增多,导致信息过载,越来越多的问题没有及时得到回复甚至没人回复,社区用户需要在海量的问题中搜索自身感兴趣的问题,严重阻碍了社区发展。精准邀请下发问题可以很好地解决以上问题,而预测技术则决定了能否做到精准邀请。为此,本文展开了对问答社区回帖预测的研究。本文利用深度学习模型、树模型和集成学习融合方法实现对问答社区回帖预测的研究。首先预处理原始数据、分析数据和构建特征;针对深度学习模型DeepFM存在的不足改进模型,提出了Text SBi DeepFM模型,提升了模型预测效果;基于树模型LightGBM研究回帖预测;使用集成学习Stacking方法融合模型,进一步提升了预测效果;最后设计并实现了基于模型融合的问答社区回帖预测系统。具体内容如下:本文首先介绍了问答社区回帖预测的研究背景及意义,分析了点击率预测技术在国内外的研究现状。接着,概述相关理论知识,包括:特征工程、集成学习的Boosting和Stacking算法、深度学习中的深度神经网络（Deep Neural Networks,DNN）算法和Text CNN算法。然后,预处理原始数据并分析数据,了解数据分布情况,找出有区分度的特征,基于数据分析结果构建特征。之后,针对DeepFM模型的不足做出了改进,提出了Text SBi DeepFM模型。在DeepFM模型基础上,引入了SENET（Squeeze and Excitation Network）区分初始特征;引入Bilinear-Interaction构建交叉特征,丰富特征,输入DNN模型学习高阶特征组合,减轻了网络训练负担;引入Text CNN处理文本特征,增强文本特征的表达能力。通过全量特征数据集上的实验对比,验证了Text SBi DeepFM模型的预测效果比DeepFM模型更好。随后,训练LightGBM模型,通过递归特征消除法选择特征,使用贝叶斯优化对LightGBM模型参数调优,完成模型训练及预测。进一步地,使用集成学习Stacking方法来融合Text SBi DeepFM和调优后的LightGBM模型。其中,Text SBi DeepFM和LightGBM作为基学习器,朴素贝叶斯分类器作为元学习器,模型融合能够综合各个模型的优点,取长补短,进一步提升了预测效果。最后,分析问答社区回帖预测系统的需求,设计了预测系统的架构及系统模块,使用Python+Flask+Bootstrap+My SQL+Redis工具完成系统开发,并详细阐述了所有模块的实现过程并展示了预测系统的运行效果图。