近五年,数据驱动的方法逐渐成为了自动问答领域中新的研究热点。尤其是随着Web上各种网络社区的兴起,用户生成式内容在形式和数量上呈现出爆炸性增长,为人们积累了大量的社区型知识。种类丰富、海量的社区型知识为自动问答系统提供了前所未有的知识源,因此面向问答的社区型知识抽取技术研究对提高问答系统的性能以及为问答系统带来更好的用户体验有着积极的作用。本文重点研究了两类面向问答的社区型知识抽取技术:基于维基百科的定义型问答和论坛中问答对的自动挖掘。维基百科是一部在线百科全书,拥有大量的定义,其数据类型为我们提供了已标注好的定义型语料,而其数据的规模为我们从中挖掘序列模式提供了统计意义。本文提出了基于维基百科的定义型问答方法,主要研究了从维基百科中挖掘出频繁出现的定义型序列模式,并将其应用于定义型问答系统。实验结果表明,从维基百科中挖掘出的序列模式可以提高定义型问答系统中答案抽取的性能。本文分两个子任务对论坛中问答对的自动挖掘进行了研究:(1)论坛中问题的自动挖掘。本文采用基于二元分类的方法进行问题句的自动识别,并将问题的自动识别技术第一次应用于中文。(2)论坛中答案的自动挖掘。本文提出了一种新的面向论坛的无监督答案抽取方法,该方法首先利用流行排序对候选答案的内容特征进行排序,然后利用PageRank模型对候选答案的作者权威性特征进行排序,最后使用基于无监督学习的排序融合方法将两种特征排序融合,得到最优化的候选答案排序。实验结果表明,本文的方法比目前最好的无监督答案抽取方法更为有效,在两个测试集上的MRR值分别高出了9.70%和10.31%。