问题标签作为社区问答系统中关键的推荐因素,如何有效且高效地对新问题和有回答的问题进行标签的推荐,成为很多社区问答系统亟待解决的难题。传统的社区问答系统,利用分词技术对问题标题和问题描述进行分词后,统计每个词在整个问题集合中的TF-IDF评分,这种方法虽然能够以比较贴合关键词和频繁标签的方式给用户推荐出部分标签,但却没有充分利用问题的标题、描述的语义和结构信息,并且在新词发现上也存在问题。本文针对无回答的问题的标签预测和有回答的标签预测问题,利用深度神经网络的深层次特征提取能力,弥补传统标签预测算法的不足。本文的主要工作如下:(1)现有的社区问答系统的问题标签推荐算法忽略了问题本身的语义和结构信息,本文从深度学习出发,利用神经网络的高层次文本特征提取能力,以弥补传统机器学习算法在文本特征提取方面的不足。(2)循环神经网络需要递归地对问题序列进行特征提取,存在着的性能问题;基于卷积神经网络的文本分类模型,在深层次网络中会出现难以收敛的问题。本文综合卷积神经网络在文本特征提取方面的能力;Highway网络可以直接将有用的特征信息直接传递到输出层,具有可以加速正样本的训练的能力以及超限学习机(Extreme Learning Machine)具有快速收敛的能力,提出融合卷积神经网络、Highway网络以及超限学习机的无回答的问题标签预测深度学习模型。在知乎数据集上的实验验证了无回答问题标签预测模型的有效性。(3)针对有回答的问题标签预测问题,现有的社区问答系统中多共用无回答的问题标签预测模型,忽略了问题的回答具有对问题进行补充说明的潜在能力。但是,在社区问答系统中,提取多个回答中的问题特征需要对回答进行多文档特征提取工作,需要大量的计算。为解决多文档提取时引入的多主题聚类及需要大量的计算时间等问题,本文利用Wilson评分算法得到置信度最高的回答,置信度最高的回答多是回答质量最高、最贴合问题的回答,将得到的基于用户投票得分最高的回答用于对问题进行补充说明。(4)得到的用户投票得分最高的回答作为问题标签预测的辅助输入,需要对回答进行摘要提取。传统的摘要提取算法主要分为提取式和摘要式,提取式的重点是找到文本中重要的句子,生成的摘要的连贯性和一致性方面无法得到保证;诸如注意力机制的式的文档摘要提取方法,能够在一定程度上实现对文本的理解,能够生成可读性较强的摘要。基于之前的工作,本文提出了利用Multi-Head Attention模型对问答的答案进行特征提取,并结合无回答的问题标签预测模型对有回答的问题进行标签预测。在知乎数据集上的实验验证了引入注意力机制的有回答问题标签预测模型的有效性。(5)将研究无回答和有回答的问题标签预测模型和问题文本预处理技术,以及其他问题标签预测系统核心模块,包括Web Server、数据缓存和负载均衡模块以及Model Server等应用于实际的问题标签预测中,设计了基于预训练模型的Restful服务框架。通过实际使用,验证了本文提出的基于深度学习的问题标签预测模型的有效性。