随着问答社区的蓬勃发展,社区中积累了越来越多的问答数据。当问答数据量过多时,用户将很难在问答社区中快速满足知识需求。为解决此问题,学者们提出了问答推荐算法,然而现有算法主要针对的是用户长期兴趣进行推荐,而在用户不断更新知识需求的情境下就不再适用或推荐效果差,因此本文提出了一种针对用户最新知识需求的混合问答推荐方法。本文通过最优分割法划分用户已读问答,识别用户的最新知识需求,找到用户感兴趣的最新主题。改进基于内容的推荐,针对用户的最新知识需求,向用户推荐与其内容相似的问答;改进协同过滤推荐,基于对用户已读问答的划分结果,找到与目标用户具有相似知识需求的用户,并将相似用户阅读的与目标用户最新知识需求相关的问答推荐给目标用户;针对问答文档碎片化的特点,找到与用户已读问答存在补充关系的问答,将其作为补充问答进行推荐,使推荐结果更加全面;最后,混合基于内容的推荐、协同过滤推荐和补充问答推荐结果。考虑到用户无法确定为了全面掌握推荐列表内容需要阅读多少条问答,本文提出了一种基于覆盖度的问答排序算法对混合推荐列表重新排序,使用户在阅读混合列表时,能够仅阅读少量问答,就可以掌握整个推荐列表的主要内容。本文基于知乎问答社区中的问答数据,通过实验验证了本文提出的推荐算法可行,并且与传统方法相比推荐效果更好。