随着信息技术和互联网的高速发展,爆炸式的网络信息给用户带来便利的同时,也给用户带来很大的学习负担,用户也面临着知识缺失的问题,这严重影响了个性化信息服务的质量。知识图谱作为一种有效的处理和表示信息的方法,已广泛应用于个性化信息服务。然而,传统的知识图谱不具有认知性,导致相对应的信息服务不能满足用户的当前的认知水平,从而影响了个性化信息服务的质量。本文中,我们以特定的学术领域为应用背景,提出了一种具有认知特征的层次化学术图谱(HCAM)。HCAM以学术概念为粒度单位支持Bloom认知分级的前三个基础层次。首先,学术概念是HCAM中的基本单元,并被划分为研究对象概念和方法技术概念,满足了用户们记忆(remembering)的认知需求,其中,我们引入熵权法获取方法技术概念;然后,HCAM提供了对象概念与方法技术概念间的实现关系以及方法技术概念间的合作关系,满足了人们的理解(understanding)和应用(applying)认知需求,这里,我们使用条件概率来反映学术概念间的实现关系,使用互信息来表征学术概念间的合作关系;最后通过Bayesian rose tree(BRT)层次聚类算法将方法技术概念组织成层次化的结构形式,获取每个概念的认知深度,从上至下,概念的领域性越来越高,认知深度也越来越高。此外,针对信息检索领域和数据挖掘领域的实验分析验证了我们构造的HCAM的有效性和认知性。除此之外,面对如此海量的互联网信息,我们如何定量计算评估信息的影响力,以便我们能通过信息的影响力来获取具有代表性的信息。本文受物理学中的数据场的概念启发,针对特定的学术领域,基于学术概念间的引用关系,提出了利用数据场中的势能来评估学术概念的影响力。首先,我们利用熵权法从语料库中获取领域学术概念;接着,通过学术论文之间的引用关系,建立了领域学术概念之间的引用关系;最后,基于学术概念之间的引用关系,我们利用数据场中的势能来度量学术概念的领域能量,进而评估学术概念对该学术领域的影响力。此外,针对信息检索领域的实验分析验证了我们提出的影响力的评估方法是有效的,能够发掘出该领域的研究内容变化发展以及研究内容迁移的特征。