近年来,随着移动终端的普及和Web 3.0的发展,问答社区作为典型的知识共享平台发展迅速。但是所有用户都可以在问答社区中发布内容导致平台中内容质量难以保证,这极大地影响平台用户体验和留存。为保证问答社区中答案质量,结合深度神经网络模型和自然语言处理的问答匹配技术受到广泛研究和关注。目前结合注意力机制的深度神经网络由于获得较高准确率,是问答匹配领域最热门的研究方向之一。现有注意力深度神经网络模型大多基于词向量相似度构建注意力机制,这种注意力机制构建方式能很好的考虑问题和答案间的相关性信息。但是,这种方式忽略了其他对于答案质量评价同样重要的语义信息,例如客观性、理解性和说服力等,这限制了模型准确度和模型可解释性的进一步提升。为将更多答案质量相关语义信息纳入模型中以提高模型的准确性和可解释性,本研究提出一个基于外部化的注意力神经网络模型。本模型将知识创造理论中的外部化过程与问答匹配技术进行结合,使本模型的注意力模块能将外部化所代表的语义信息特征纳入注意力构建中。通过构建由主任务和辅助任务共同组成的整体模型,并对问答匹配的主任务和识别答案外部化的辅助任务进行软参数共享,使得模型在保留现有基于词向量相似度模型的大部分特征同时更多地利用数据中的语义信息。本模型还设计一个复合损失函数来同时训练主任务和辅助任务。除此之外,本研究对问答社区上的金融和教育数据集进行数据标注、实验分析和注意力结果的可视化。实验结果表明该模型不仅能提升模型的准确度,而且能加强注意力模型在解决问答匹配问题中的可解释性。本研究通过提出基于外部化的注意力神经网络模型,将知识创造理论中的外部化与问答社区中的问答匹配在算法层面进行结合,这对知识共享平台的实践和知识创造的理论研究都具有十分重要的意义。