随着人工智能的快速发展,自然语言处理成为最为热门的研究领域之一,而自然语言生成是其最难的任务之一。本课题研究问答社区中的用户评论自动生成任务属于自然语言生成任务,但又与传统的语言生成任务不同,如文本摘要生成、图片描述生成等生成的对象文本均是受到较多的限制,而问答社区中用户评论生成是几乎不受限的语言生成,用户评论可以存在多种表达方式、多种语言风格,甚至内容上可以与答案没有明显的相关性,在生成的过程中具有更多的困难。本文探索问答社区中的用户评论生成技术,从如下三个方面进行研究:问答社区中的用户评论行为分析、问答社区中的具体评论生成技术研究以及非具体评论自动生成技术的改进,并在典型的问答社区——知乎的数据集上进行了验证。本文的研究内容及贡献如下:第一,对问答社区中的用户评论行为进行了分析,分别分析了问答社区中的数据分布、社区中的用户参与情况、用户评论的倾向性以及用户评论的独立分析四个方面。分析结果表明用户社区中用户评论时有评论聚集现象,用户评论行为的活跃性要高于提问和回答的活跃性,用户评论行为受到答案下早期评论的影响,根据是否具有直接的评论依据得到用户评论分为具体评论和非具体评论、用户评论的内容及风格具有多样性等。第二,对问答社区中具体评论生成技术进行了探索,在提出的基于字重叠的评论点识别算法完成评论点识别任务的基础上,采用统计机器翻译方法完成具体评论自动生成任务。实验得出具有评论点的评论数据即具体评论占比为1.83%,为具体评论生成提供数据基础,通过统计机器翻译的方法将用户评论点生成为具体评论,在评价指标BLEU上测试集1和测试集2分别得到76.04和75.46的得分。第三,对问答社区中非具体评论生成采用基于神经网络的方法,首先采用基于seq2seq模型的方法分别从问题和答案两个方面生成评论,然后从模型层面引入与注意力机制拷贝机制和从数据层面融合问题和答案,来改进seq2seq模型生成评论的性能,最终在测试集1上和测试集2上分别得到Rouge得分为12.6和13.13的结果,验证了改进的方法在评论生成系统中的有效性。