随着社交网络平台的普及,网络用户得以在社交平台上浏览感兴趣的问题,并附上与自己的看法或立场相关的主观性评论。对这些评论数据进行分析,可以了解和引导社交平台上人们舆论发展的趋势,具有重要的研究价值和产业应用前景。问答立场检测目的是识别用户回答对问题中观点所持有的立场倾向,即支持、中立和反对。现有的问答立场检测方法主要包括基于机器学习的方法和基于深度学习的方法。基于机器学习的方法重点在于人工特征构造上,需要消耗较多人力;基于深度学习的方法基于端到端的特性避免了繁琐的特征工程,但现有工作忽略了许多与问答依赖相关的信息,导致模型无法有效理解和利用问答文本中深层次的语义交互表示。此外,现有方法也受到问答标注资源规模小和单一立场监督信号对模型参数学习能力有限的制约。针对这些问题,本文分别从利用问答文本中深层次语义交互表示和挖掘问答文本数据自身所蕴含的深层次通用信息这两个角度,研究问答立场检测方法。主要研究内容包括:为了更好地学习问答文本中立场相关的深层次语义交互表示,本文首先提出一种基于循环交互注意力的问答立场检测方法。该方法通过结合基于问题的回答注意力模型和基于回答的问题注意力模型来增强问答文本间的语义依赖关系表示。在此基础上,引入循环迭代网络强化每一次问答理解后的立场表示,突出问答文本中与立场相关的关键词信息。此外,采用问题陈述化的策略来改善问题文本很难有效传递提问者本身期望立场信息的不足。在中文社交问答数据集上的实验结果显示,基于循环交互注意力的方法相比于基线方法有明显的提升,在宏平均F1指标上提升了0.85%,超过了现有最优方法。考虑到现有问答文本语料规模较小,以及单一有监督信号导致模型容易出现过拟合等问题,本文提出了一种基于多任务对比学习的问答立场检测方法。该方法首先基于数据本身性质,通过数据增强技术为模型训练引入额外的问答一致性标签（问答独立/问答依赖）。为克服问答文本语料规模不足的问题,该方法引入有监督对比学习的方法,通过分析数据自身蕴含的深层次信息,提升问答一致性和立场约束下的数据特征表示。最后,通过多任务联合学习的方式从对比学习和立场分析任务中学习到更加通用的问答立场特征表示,以提高问答立场检测性能。实验结果表明,相比于现有方法,该方法在宏平均F1指标进一步提升了3.47%,达到了目前已知的最好性能。