随着互联网不断发展和普及,人类的沟通方式和交流途径发生了巨大的变化。从信息环境的变迁来看,科学技术的发展导致知识和信息呈几何级膨胀,这一态势重新塑造了世界的组织形式和理解方式。从个人角度来看,科学技术特别是信息技术的飞速进步,提升了个人理解世界、获取知识和提升自我的欲望,也正是对知识的渴求,使人类得以存续和发展。在这样的历史环境和技术条件下,随着互联网的发展与普及,人类的智慧和成果可以通过简单的搜索行为从互联网中获取,这种依托互联网获取知识、分享知识和传播知识的方式改变了人类延续千年的知识传承模式。伴随这种网络化知识获取模式的发展和进化,人们为了能够更加便捷、高效和精确的获取信息,以知识传承和共享为中心的互联网节点采用了两种不同的网络应用方式,一是通过以wiki为代表的网络百科全书式,即允许任何用户添加或编辑词条来分享知识,二是通过以在线问答社区为代表的在线知识共享式,即允许所有用户提问和回答的社会化网络在线问答社区。随着大数据技术的深入发展,在线问答社区由于其互动性、广泛性和实时性的特点,在网络知识分享领域具有越来越重要的地位。但伴随在线问答社区的高速成长,信息无序膨胀、数据碎片化、备份数据冗余等问题制约了在线社区的深化发展,导致用户在使用知识社区服务时,搜索、筛选和利用知识的过程中付出的时间成本和机会成本不断增加,同时也出现了问题质量参差不齐、答案质量难以保证、知识难以被有效发掘等现实问题,上述现象也使得用户对垂直化、精准化和个性化的知识需求变得日益迫切。有鉴于此,本文以社会化问答社区的知识服务为本底,将UGC技术和方法引入社会化问答社区的话题挖掘及问答推荐,从面相互联网用户知识需求出发,分析了社会化问答社区中话题生成、解答和推荐等方面的需求,提出了基于UGC技术的社会化问答社区知识服务体系,探讨了互联网用户在提出问题、回答答案、分享知识等活动中的知识关联方式,最终提出促进UGC环境下社会化问答社区的话题挖掘及问答推荐相关策略。本文共分为八个章节。第一章,主要探讨了 UGC环境下社会化问答社区的话题挖掘及问答推荐的研究背景、国内外研究现状、论文的研究思路与技术路线、论文的创新点、论文的研究方法和研究架构。第二章,相关概念和基础理论。本章主要包括3个方面的内容,其一是对UGC和社会化问答社区进行了界定和分析,其二是对上述两个概念的理论体系和研究架构进行梳理和总结,其三是基于UGC的技术特性在社会化问答社区中的技术导向和内容方法。第三章,UGC环境下社会化问答社区话题抽取及问答推荐的关键技术。该章节主要围绕UGC环境下社会化问答社区话题抽取及问答推荐的主要技术进行了阐释,包括话题挖掘技术、问题推荐技术和答案推荐技术三个方面。其中,从技术类型来看主要有LDA主题、卷积神经网络等,从算法类型来看主要有聚类算法、演化算法、数据协同、答案推荐系统等。第四章,UGC环境下社会化问答社区话题与问答的模型构建。该章节首先通过运用社会化问答社区用户知识需求模型,对UGC环境下社会化问答社区的话题与问答的相关需求进行分析,在梳理和总结社会化问答社区用户的知识需求特性的基础上,构建UGC环境下社会化问答社区话题和问答的动态模型,并结合动态演化理论对改模型进行了关系表述和解构设计。第五章,基于主题模型的在线问答社区话题挖掘研究。该章节围绕基于主题模型的在线问答社区话题挖掘为实验对象,综合运用LDA算法、伪代码实现、演化模型设计等技术,通过研究方法设计、实验过程表述和试验结果分析的整体过程对基于主题模型的在线问答社区话题挖掘进行实验研究。第六章,基于多源混合标签的社会化问答社区的问题推荐研究。该章节主要以多源混合标签的社会化问答社区为实验对象,通过设计以社会标签自动标注、多远混合标签库和基于标签匹配的协同过滤推荐为主要内容的实验,对相关社会化问答社区的问题推荐进行了评价和分析。第七章,基于双向长期和短期记忆网络的答案推荐方法。该章节主要以双向长期和短期记忆网络答案推荐方法为实验对象,以卷积神经网络及其相关的词向量模型、相关度计算等为关键技术,进行了实验室设计和结果分析。第八章,结论与展望。阐释了本文的研究结论和不足之处,同时对今后的研究方向进行了探讨。论文研究表明,技术研究人员可以通过问答聚类、内容抽取、语义挖掘等技术,探索它们的特征与作用,同时通过分析用户信息和知识内容,建立相关的模型和推荐算法,为平台建立稳固的问答推荐机制。