基于社区的Q&A服务网站越来越成为一种流行的知识共享平台,可以迅速吸引大量用户。在这些网站中,大多数用户不仅是知识的寻求者,也是知识的提供者,通过回答来进行知识的分享与共享,因此这些用户是蕴含知识的载体。然而,专家数量的增加也导致了用户在有知识需求时,难以定位到一个合适的专家寻求答案。针对上述专家难以定位的问题,为了便于找到合适的专家并减轻寻找过程中的信息过载,本文构建了基于虚拟问答社区(CQA)的专家黄页。首先,考虑到文本的长度不一,应用BTM主题模型对问题和专家建模;其次,构建了二维的专家黄页(2DEYP),分别为问题维度和专家专业领域维度,两个维度交叉部分为回答了对应类问题的对应专家集,二维专家黄页从横向和纵向两个方向的生长。由于较近的神经元代表两个神经元具有一定相似性,存在相同的主题,因此提出一种新的神经元标记方式,该方法使用神经元之间的距离作为区分能力。为了进一步减轻信息过载并进一步区分专家,提出了一种新的排序机制,对每一个神经元内的专家进行排序。该排序机制考虑了专家的专业性和专家的活跃性,专家专业性又包含专业性深度和专业性广度两部分。专家专业性深度的计算是根据专家之间问答的点赞数关系得到用户-用户关系网络图,然后基于修正的Page Rank算法得到专家的专业性深度得分;专家专业性广度的计算是基于JS距离的算法,在满足所在领域内专业知识的基础之上,掌握的其他知识越多,该专家专业性广度越强;而专家活跃性考虑回答的数量和时间两部分。最后,通过对专家专业性深度、专业性广度和活跃度进行整合,得到专家的最终排序。通过实际数据,对本文中的聚类方法、关键词提取方法以及专家排序机制进行了真实地评估,实验结果表明该方法具有较好的可行性与良好的性能。