近年来,计算机和移动互联网技术的快速发展极大的改变了人们获取知识的方式,在线问答社区(Q&A)作为知识信息共享平台得到快速的发展。随着大量用户和数据的涌入,导致社区面临信息过载的问题,使得用户不能及时快速的对知识信息高效的筛选,降低了用户的个性化体验。对社区管理者而言,及时了解在线问答社区中新技术发展趋势和了解用户的个人喜好和关注兴趣变化尤为重要。它能够帮助社区及时掌握当前新技术的发展动向和淘汰不流行或者不合格的冷门问题,降低在线问答平台冗余性和提高用户的搜索体验。研究问答社区中的用户兴趣转移模式和特征,能够较好的刻画用户的画像特征,对用户进行更好的个性化的推荐服务,提高用户的社区活跃度和参与度。本文基于StackExchange在线问答平台,从问答社区中标签的角度出发,研究了社区中标签的发展趋势预测问题,并基于社区标签分析了用户兴趣转移模式及主要影响因素,主要研究内容如下:1.基于机器学习的单源社区标签流行预测:本研究针对单源问答社区中新出现的标签,首先,通过统计标签频次信息得到流行和非流行标记样本标签;其次,利用问题和标签信息,构建社区的标签网络;然后,提取标签的网络结构特征和统计属性特征;最后,利用机器学习方法来构建标签流行预测模型。实验表明,该模型能够较好的预测标签在未来的发展趋势,同时也验证了结构特征在流行性预测模型中的有效性。2.基于迁移学习的多源社区标签流行预测:本研究针对问答平台中新出现的社区或者是比较冷门的社区,解决由于标记样本数据量不足,导致标签流行性预测模型效果较差的问题。本文采用迁移学习的方法,利用较大社区中数据,迁移知识到小社区中。由于涉及到网络结构的特征,已有的领域相似性度量方法不能有效评估迁移的效率问题,导致负迁移的发生。因此,本文设计了一种新的结构相似性度量指标NES,实验表明该指标与单源迁移效率具有强正相关性,进而提出了一种基于网络结构相似性的多源问答社区标签流行性预测模型。实验证明,该方法与已有的最新方法相比能够获得更好的分类性能。3.基于标签的用户技术兴趣转移行为分析:本研究主要分析了技术类社区用户的兴趣转移模式特征及影响因素。本文利用社团检测算法对社区标签网络进行社团划分,使得标签对应唯一的技术类别,根据用户的历史技术类别序列数据,设计了一个兴趣相似性度量指标刻画了用户的兴趣转移度量。实验结果表明,在技术类社区中,用户兴趣转移度量呈幂律分布,即大部分用户有着较小的兴趣转移量;通过从技术类别异质性、近因性以及技术相近性三个因素进行分析,得到用户的兴趣倾向于向着领域相近的技术领域转移。