随着互联网的快速发展,搜索引擎等传统的基于关键字匹配的信息检索系统由于不能很好的理解用户意图,其搜索结果无论是准确率还是召回率都已经难以满足用户对信息检索的要求,在此背景之下,社区问答系统已经成为当前人工智能领域的研究热点之一。社区问答系统中问题和答案均由用户以自然语言方式给出,不仅能够很好的满足大众获取和分享知识的需求,而且能够很好的理解用户的意图。社区问答系统的出现克服搜索引擎的缺点。随着问答网站的用户不断增加,不同用户提供的答案质量参差不齐,给用户的使用带来巨大的困扰而且降低了网站返回答案的质量。因此,对低质量答案进行判别和过滤并且选取高质量的答案具有重要的研究意义,有利于提高用户的检索速度和问答网站的服务质量。本文主要结合现有对答案质量评估方法进行研究,提出了一种答案质量评估模型。该模型融合了用户的个人信息以及用户的社交属性来对答案的质量进行评估。其中用户的个人信息包括回答者属性、回答者行为特征和回答者时间特征,从中发现回答者的时间特征对答案的质量具有极其重要的影响。其次,由于传统PageRank忽略查询与返回文档的主题相关性,本文利用LDA算法获得用户之间的主题相关性,并将用户之间的主题相似性引入PageRank算法中,获得用户相关权威值。最后,本文使用SVM模型融合了用户的个人信息、优化的PageRank以及用户的点赞数来综合对答案的质量进行评估。本文中我们抽取Stack Overflow中的测试集对本文提出的模型进行评估,实验结果显示本文提出的模型的评估结果高于现有方法。