随着互联网的快速发展,在线知识社区也大量兴起。在线知识社区是基于互联网的在线虚拟社区,专门从事知识的寻找和共享。然而,由于用户专业水平的差异和垃圾信息的影响,社区中无人回答的问题数量与日俱增,直接影响社区的发展和用户体验。因此,在在线知识社区中寻找专家用户对知识社区发展,扩展用户服务具有重要的现实意义。本文介绍了在线知识社区中专家发现的研究背景和现状。目前,大多数现有的专家发现技术主要基于主题模型和链接分析等方法。基于主题模型的方法主要是从用户生成内容中提取用户的话题或兴趣分布。基于链接分析的方法主要利用链接分析算法对在线知识社区中的用户问答关系进行分析,计算出用户的社会影响力。本文结合用户生成内容和用户问答关系等在线社区的特征对在线知识社区进行了专家发现方法的研究,并提出一种新的问题领域专家发现方法。在评估用户专业度的方面,本文首先从在线知识社区中提取用户之间的问答交互关系,并在去除用户群组效应的基础上融合用户活跃度分析对链接分析算法Leader Rank进行改进,用于评估用户的社会权威度。同时本文利用用户反馈行为对用户的历史答案质量进行评价,结合用户历史答案质量和用户权威度提出LREF专家排序方法,利用该方法计算用户的专家得分。在此基础上,本文提出问题匹配模型,根据用户以往的回答、评论内容及相关的问题信息生成用户配置文件,并从中提取用户的知识标签。针对在线知识社区中出现的新问题,计算用户知识标签与新问题的主题相关性,并结合专家得分为问题推荐相关领域的专家用户。综上,本文提出一种结合链接分析、用户活跃度分析,用户生成内容分析的问题领域专家发现方法。本文对Stack Exchange网站中的原始问答数据进行预处理,形成规范化的问答数据集,然后利用该数据集对本文提出的问题领域专家发现方法进行实验对比分析。实验结果表明,本文提出的问题领域专家发现方法能有效地识别在线知识社区中不同问题领域的专家用户,其效果优于经典的在线社区专家发现方法。