问答社区为用户提供了一个解决疑难问题,分享知识、经验、见解的交互平台,用户不必烦恼于如何提取关键字来表述他们的信息需求。问答社区包含的内容极为丰富,涉猎的话题也非常广,形成了一个庞大的知识库,并且问题更多的是寻求意见、建议,征集看法的讨论型问题,各个答案都蕴含着对问题有价值的信息,这使得问答社区需要智能化、精准化的个性化推荐服务,以解决当前问答社区中的“信息超载”问题。当前面向问答社区的答案推荐研究主要基于答案的质量,没有充分考虑到不同用户的兴趣偏向;同时,研究更多考虑答案的外部属性,如作者的权威程度、答案与问题相关程度等因素,没有有效利用答案的文本,研究较少涉及语义维度。因此,本文研究并提出一种面向问答社区的答案推荐方法。首先,为降低推荐方法计算量,提高效率,提出改进UserCF,获得目标用户的候选集。接着,提出一种改进LDA主题模型,用于对用户兴趣建模,该方法的改进针对原始LDA主题模型中存在无意义主题的情况,考虑无意义主题下各个词语之间相似度较低的特点,实现了对无意义主题的自动过滤,消除无意义主题对构建用户兴趣向量的影响。其次,提出一种在多维语义空间中表示用户兴趣向量和答案文本的方法,使用欧式距离衡量两者在语义上的相似度。再次,处理答案特征属性,提出一种答案分数计算方法,为答案推荐结果排序提供依据。然后,将上述成果应用于本文提出的答案推荐方法中,该方法考虑到了用户兴趣迁移、答案文本与用户兴趣向量在语义上的相似程度以及答案评分,使答案推荐结果更加符合用户的兴趣偏向。最后,使用来自于知乎的真实数据集,将本文提出的面向问答社区的答案推荐方法与基于LDA的推荐方法和基于Skip-gram的推荐方法进行对比实验,结果表明本文提出的面向问答社区的答案推荐方法可以为用户推荐满足其兴趣偏向的答案,取得了较好的效果。