社区问答(CQA)系统向用户提供一个知识平台,用户可以通过该平台直接获取所需求的知识,而具有领域知识的专家可以通过该平台高效地分享自己的学识。社区问答系统由于其具有的便捷、可交互、开放等优点吸引了大量用户入驻,大量的知识数据也随着用户的快速增长而进入该知识平台中。如何从海量的知识数据中准确提取用户所需求的信息是社区问答系统提升用户满意度的核心问题。本文采用两个当前较为流行的文本建模方式,提升社区问答系统推荐研究领域中的答案推荐和专家推荐效果,从而提升用户使用系统的满意度。本文设计了一个基于卷积神经网络和注意力机制的答案推荐模型,将细粒度相关性匹配融入到粗粒度句子建模过程中,缓解了使用传统句子建模方式进行答案推荐时难以把握长句中全部重要信息和使用细粒度相关性匹配方法全局信息丢失的问题。该部分实验使用3个公开数据集进行效果验证。实验结果表明采用本文方法建立的神经网络模型相较于当前高水平的文本建模方法能更准确的进行答案推荐。近年来,预训练模型在多个自然语言推理任务中取得了优秀的成绩,本文对比了基于预训练模型BERT的推荐方法,实验结果表明本文提出的方法拥有和预训练模型推荐方法相当水平的推荐能力,同时能更快、更强的学习领域知识。对于专家推荐任务,本文设计了一个用于建模专家特征和问题特征的异构图神经网络,将问题、答案、专家作为节点映射在图中,节点之间根据相应的数据关系使用长短期记忆神经网络进行信息交互,得到拥有充足文本交互信息的问题特征表示和专家特征表示,用于最后的相关性匹配。该部分实验使用预处理后的智源-知乎看山杯2019专家发现大赛训练集进行效果验证。实验结果表明本文提出的模型相较于非图结构神经网络模型能捕捉到更多的语法和语义信息,由此缓解了非图结构神经网络在专家推荐领域对超长文本建模效果欠佳的问题,有效提升了专家推荐模型的预测能力。