社区问答网站作为用户寻求各种问题答案的可靠信息来源，获得了广泛的欢迎。社区问答网站的问题信息范围可能广泛涵盖各种知识领域，同时也可能专注于特定领域的问题。其中，为了方便用户快速定位，获取需要的内容，问题通常会被加注多个标签。这些标签概括了问题的主要信息，不仅有助于用户在社区问答网站上查找相关的信息，而且增强了社区问答网站相关的各种应用程序功能。因此，对社区问答网站中的问题进行标注，具有重要的实际应用价值。

社区问答网站中的问题标签呈现出复杂的关系特征和语义信息，为社区问题标注任务带来了挑战。传统的问题标注方法难以充分利用问题标签的关系信息，仅依赖问题标签的语义，未能进行全面的问题标注。本文围绕问题标签复杂的内部结构和深层含义两大挑战，基于多视角语义学习，从内部视角和外部视角两方面出发，分析问题的多方面语义信息，对问题标注任务进行研究。本文的主要工作如下：

（1）基于三元关系多方面图神经网络的社区问题标注方法。社区问答网站中的问题和标签结构关系复杂。传统的问题标注方法主要针对问题和标签的文本信息单独建模，没有充分利用问题标签的各种关系信息，也没能探究问题的多方面语义。本文从内部视角对问题标签信息进行研究，提出了三元关系多方面图神经网络模型，利用异构图结构建模网站中问题标签的三种关系：标签-问题关系，父标签-子标签关系，子标签-父标签关系。同时，本文提出了三元关系问题标签图神经网络，用于获取问题和标签的隐藏表示。其中，多方面问题图神经网络从相关标签中捕获问题的多方面语义，更好地刻画了问题的语义信息。标签-标签关系图神经网络帮助所有标签节点进行双向信息传递，获取相关节点的隐藏表示。然后构建了多方面匹配模块，基于问题的多方面语义信息，为问题检索合适的标签。本文构建了三个真实世界数据集，并进行了实验，验证了模型在真实世界数据集上的有效性。

（2）基于大型语言模型增强的社区问题标注方法。社区问答网站中的问题内容广泛涵盖了各种知识领域，其中某些问题可能需要外部专业知识帮助理解。传统的人工标注方法效率低下，主观性过强。本文针对问题标签文本的深层复杂含义，从外部视角具体分析问题中的专业知识，提出了大型语言模型增强的问题标注方法。它利用传统的问题标注方法，在社区问答网站的数据库中为问题预检索合适的标签。随后设计了提示词，让大型语言模型理解任务要求，引入外部知识信息帮助理解问题语义，并从候选标签中选择更符合问题语义的标签。这保证了最终检索到的标签是存在于社区问答网站标签库中的可用标签。在真实世界数据集上的实验结果验证了通过大型语言模型引入外部知识辅助问题标注任务的有效性。

综上所述，本文围绕社区问答网站中问题标签的特点，形成了有效的问题标注方法。通过充分挖掘问题标签文本自身的文本结构特征和引入外部真实世界知识，有效地利用了社区问答网站中有价值的信息，为推荐系统等上层应用贡献了基础研究支持。