Web2.0时代,用户生成内容极大地丰富了互联网的信息资源,促进用户的知识共享,满足了用户个性化的信息搜寻需求。社会化问答平台为用户提供了一个有价值的信息共享和搜索平台,社交机制的融入促进了社区成员间的互动交流。由于社会化问答平台的知识具有公共品属性,会导致用户知识贡献意愿较低,问题回答率低的问题。促进用户讨论、为问题提供高质量的回答是社会化问答平台的核心价值之一,因此量化用户的知识贡献意愿,充分发挥社区成员的群集智能,对用户获取有价值的知识与社区平台的长远发展具有重要意义。用户知识贡献行为与专家发现是社会化问答平台两大研究热点。目前用户知识贡献行为研究多从宏观角度出发利用实证分析方法探究影响用户知识贡献意愿的因素,专家发现多集中于社区整体或特定领域的专家用户,找到适合回答的用户,缺乏对专家意愿的考虑。本文基于用户与问题的匹配关系,量化用户对于指定问题的知识贡献意愿,以期提高社区成员知识贡献积极性,优化社会化问答平台问题回答用户推荐机制,从系统角度深入理解用户知识贡献意愿影响因素。邀请机制是一种独特的问题回答机制,本文使用国内代表性的社会化问答平台知乎的百万量级真实数据,基于社会认知理论与推荐系统中常用的相似性原理,将用户特征、环境特征、相似性特征三个维度的特征相结合,综合用户信息、问题信息与用户历史行为,利用统计分析、社会网络分析、文本分析的方法构建目标特征27个,最后利用机器学习算法LightGBM、XGBoost、BP神经网络构建分类器,预测用户针对指定问题的知识贡献意愿。结果证明,本文构建的特征与分类器能较好的预测用户的知识贡献意愿,多模型融合能进一步提升预测效果。利用计量模型分析本文构建特征与知识贡献意愿间的关系,结果发现用户的知识贡献意愿受到用户特征、问题特征、问题用户交互特征及用户内在兴趣的共同影响,用户兴趣与知识贡献意愿正相关,部分特征与知识贡献意愿间呈U型关系。本研究在理论与实践上均有一定的参考意义。本文从问题用户匹配角度出发,量化用户对特定问题的知识贡献意愿,进一步分析构建特征与用户知识贡献意愿之间的关系,丰富了知识贡献意愿相关研究。同时利用文本分析与社会网络分析方法评估用户的兴趣,为用户兴趣量化与挖掘提供了思路。从实践上,本文对社会化问答社区提高问题的解答率、降低用户打扰、关键用户运营提出了参考建议。