人类的进步离不开文明的传承与发展。在这个传承与发展的过程中,相互交流相互学习的方式使得知识代代延续下去。其中最简单的交流学习方式是问答方式。随着互联网的普及,各类问答社区蓬勃发展。推荐技术已广泛应用于各个领域,也应用于问答网络中为用户推荐感兴趣的好友、问题及答案。当前主流的推荐技术以用户与用户之间的历史兴趣相似性为主导,而在问答社区中用户兴趣可能随时都在变化,用户兴趣的动态变化会给问答社区的相关推荐带来不准确性。为了解决这些问题,本文提出一种基于时序的用户兴趣向量的建模方法,并设计了新型的用户兴趣变化模拟演化模型,利用用户的各类兴趣分布及兴趣成长性变化曲线,实现基于用户兴趣变化的推荐优先级排序的动态演化。最终实现对已有的一些推荐算法进行推荐结果优化,这种优化体现在推荐优先级上,而且这种演化过程自然地带来了一些社区发现功能。本文完成的主要工作如下:(1)用户兴趣成长性建模:通过词库匹配、词向量相似度度量等方法,提取用户的兴趣倾向,并使用聚类方法对用户的兴趣倾向进行聚类,获得不同类型用户的标签。在此基础上,通过在时序上分析用户回答过的问题,构建基于时序的用户兴趣向量,并应用于用户好友推荐及问题答案推荐;(2)问题最佳答案预测:在时序的兴趣特征提取,以及对问题进行话题建模的基础上,对问题的最佳答案进行预测,结合前面的时序特征提取方法对用户和问题进行特征提取,使用SVR算法预测答案点赞数,并具有较高点赞数的答案推送给问题发布者;(3)用户好友推荐的动态演化排序:本文提出基于自适应变种PSO演化的用户好友推荐的演化排序算法,在推荐算法的初始推荐结果上实现推荐优先级别的排序优化,同时实现一些社区发现的功能,如好友推荐删除功能,潜在好友发现等。并采用类变种EM算法对演化算法中的重要参数进行优化;(4)问题回答者推荐的动态演化排序:本文提出了一种基于自适应一阶马尔科夫随机游走的演化排序算法,并应用于推荐算法的推荐结果上,实现推荐优先级别排序的优化,同时实现一些社区发现的功能,如发现潜在的对问题感兴趣的用户等。并采用类变种EM算法对演化算法中的重要参数进行优化。本文在知乎的真实数据集上进行了实验,实验结果表明论文提出方法的有效性。