随着互联网时代的快速发展,人们获取信息的途径愈来愈广泛。问答社区已成为人们资讯获得的最主要途径之一,其受众覆盖面也愈来愈广泛,这就必然会导致问答社区的高流量化。存在于高流量化中的问答社区,往往产生了海量的文本信息,这种信息一方面能够帮助用户分享和获取大量有效信息;另一方面也会由于大量冗余内容的产生,而增加了用户获得所需要资讯的复杂度和时间成本。如何帮助用户在拥有海量文本信息的问答社区中高效率、高质量地定位到自己所需的信息,是目前问答社区平台迫切需要解决的问题。文本摘要作为问答社区文本内容的真实反映,不仅语言简洁,还能够传达文本的主要内容,可以帮助用户更精准地定位文本信息主体,从而有助于用户快速判断是否对该文本感兴趣。本文以知乎问答平台为例,通过挖掘平台中问答文本的潜在语义信息,抽取文本摘要句,帮助用户从大量长文本中甄别、选择合适的文本内容,提升用户的阅读效率。本文主要研究工作如下:（1）为了更全面地挖掘文本语义信息,结合问答文本中的标签,利用监督主题模型挖掘单词的全局语义向量,同时根据单词所在的上下文,利用Word2Vec模型获取单词的局部语义词向量。然后将全局语义向量和局部语义向量综合起来共同构成单词的综合语义词向量。（2）根据单词综合语义词向量,对句子向量进行表征,基于图排序的思想,结合MRR冗余控制算法,针对句子中出现特征标签的情况,对句子权重进行调整,进行词句协同打分,在对句子打分排序时将特征词权重融入其中,尽量降低文本摘要中的冗余信息量,同时提升摘要的多样性及信息性,从而更有效地选择出贴合问题标签的摘要内容。（3）为了验证上述模型的有效性,利用爬虫技术从知乎问答社区中采集多个问题下的问答文本数据进行验证,经验证发现,上述模型能成功地从语义层面对句子进行表征,并基于句子语义向量选取出具有最高信息量及最低冗余度的摘要句。