车主以往总是借助搜索引擎对汽车故障进行初判,然而搜索引擎通常难以准确定位用户信息需求,导致检索结果不佳。鉴于此,一些专业的汽车门户网站相继推出问答社区,车主可以通过向其他用户提问获取汽车故障的相关知识,自主完成汽车故障的初判,在满足用户特定信息需求的同时增强了用户间的互动性。随着问答知识的不断积累,如何有效整合信息资源,利用智能技术,快速、高效、准确地为用户提供高质量的汽车故障问答信息成为当务之急。针对上述现状,本文研究了汽车故障问答库智能管理系统设计架构,并且针对系统中汽车故障的问题分类与答案质量预测两个关键任务进行相应算法的研究,具体工作内容如下:(1)收集、处理并分析汽车故障领域的相关问答数据,根据汽车故障问答对数据的特点以及系统所需功能,设计了面向问答社区的汽车故障问答库智能管理系统框架,有效整合了汽车故障问答资源。(2)针对汽车故障问题文本特征稀疏、语义信息不全等问题,提出基于问题-答案语义共现的汽车故障问题分类方法。利用词嵌入模型,将问题文本与答案文本中语义相似的词作为共现词,并利用注意力机制聚焦问题文本中的共现词特征,有效提高了问题分类的精度。(3)针对目前答案质量预测方法在衡量答案文本语义信息方面的不足,提出基于问题-答案联合学习的答案质量预测方法。利用注意力机制分别构建问答对的文本表示,获取二者间的依存关系,再利用深度学习模型提取问答对的语义特征,计算此时二者的语义匹配度,并联合深层次答案语义表示以及其他有效扩展特征,一同作为全连接层的输入表示,有效提高了答案质量预测的效果。本文对收集的汽车故障问答数据进行整理标注,构建了由56815条记录组成的汽车故障问答数据集,并分别对上述两个关键任务算法进行改进并验证。实验结果表明,改进后的算法均取得了较好的性能,有力地验证了面向问答社区的汽车故障问答库智能管理系统设计架构的可行性。