随着社交网络的流行，人们开始在社交网络上频繁发布和分享信息，产生了大量用户数据内容。其中有一类社交网站，称为社区问答网站。国外知名的如StackFlow，Quora等网站，国内知名的有知乎，百度知道等网站。这些网站主要以问答形式，吸引用户在网站上自由提问和解答，并且可以将自己喜欢的内容进行分享。在社区问答网站中，用户的回答质量预测是一个经典的研究问题。而在以往的相关工作中，对于这一类的问题，一般都是基于用户在网站的历史数据或者人工调研数据，来对用户的行为进行分析和预测的。但是这类网站中大多数的用户的历史数据是比较稀疏，对于新来的用户和潜在活跃的用户更是如此。所以这种基于历史数据分析的方法，会面对了数据稀疏所带来的“冷启动”问题。为了更好的解决“冷启动”问题，本文通过引入了社交网络中用户的微博数据来帮助提高用户回答质量预测准确度。　　工作主要分为两部分，第一部分通过测量的方法，分析用户在知乎问答网站和微博社交网站上行为的联系和区别。使用了网站数据统计，LIWC分析，标签聚类方法来观察到用户的微博信息和问答网站行为的有很大的关联性。由此提出引入微博用户的声望值和内容相关性两个特征，来提高预测用户回答质量准确度，并且验证了用户的微博特征和社区问答网站上的回答质量具有一定相关性。第二部分，主要结合引入的微博的声望值和内容相关性，以及相关工作中提取的特征。设计对比实验，使用SVMRank方法进行最佳答案和回答质量排名的预测。比起只使用网站历史数据的Baseline预测方法，预测准确度最多有14％以上的提高。最后本文设计了基于图结构的SQA-Ranking算法，并且和SVMRank算法进比较，最多有20％以上的提高。