سیستم عامل های پاسخگویی به سوالات مبتنی بر جامعه ، کاربران قابل توجهی را برای به اشتراک گذاشتن دانش و یادگیری از یکدیگر جذب کرده اند. با بزرگ شدن سریع سکوهای پاسخگو به سوالات مبتنی بر جامعه (CQA) ، مقادیر سوالات با هم همپوشان ظاهر می شوند که باعث می شود کاربران برای انتخاب یک مرجع مناسب دچار سردرگمی شوند. برای ما ضروری است که از الگوریتم های خودکار خودکار برای استفاده مجدد از سوالات تاریخی با پاسخ های مربوطه استفاده کنیم. در این مقاله ، ما بر روی مسئله بازیابی سؤال متمرکز شده ایم ، که هدف آن همخوانی با سوالات تاریخی مرتبط یا معنایی معادل برای حل مستقیم درخواست شخصی است. چالش های این کار شکاف های واژگان بین سؤالات مربوط به کلمه ابهام و مشکل عدم تطابق کلمه است. علاوه بر این ، کلمات محدود در جمله های پرسیده باعث کمبود ویژگی های کلمات می شوند. برای کاهش این چالش ها ، ما یک چارچوب جدید به نام HSIN پیشنهاد می کنیم که نه تنها محتوای سؤال بلکه پیامدهای متقابل اجتماعی سؤال کننده را نیز برای افزایش عملکرد جاسازی سؤال رمزگذاری می کند. به طور خاص ، ما از روش یادگیری مبتنی بر راه رفتن تصادفی با شبکه عصبی مکرر استفاده می کنیم تا شباهت های بین سؤال سؤال کننده و سؤالات تاریخی که توسط سایر کاربران پیشنهاد شده است ، مطابقت داشته باشد. آزمایشات گسترده در یک مجموعه داده در مقیاس بزرگ از یک سایت CQA در دنیای واقعی Quora نشان می دهد که استفاده از اطلاعات ناهمگن شبکه اجتماعی از سایر راه حلهای پیشرفته در این کار بهتر است.