近年来随着互联网技术的高速发展,学术研究领域也发生着翻天覆地的变化,网络上学术论文的数量呈爆炸式增长。研究人员在网络上查找其所需要的学术论文信息时,往往需要花费大量的时间和精力,因此如何快速、准确的为研究人员找到其感兴趣的学术论文信息成为亟待解决的问题。本文主要围绕研究人员学术研究兴趣建模,以及如何准确地向研究人员推荐学术论文展开研究。论文在对基于内容推荐算法中的主题模型和协同过滤方法中的模型推荐方法研究的基础上,融合两种推荐方法提出了一种新的混合推荐方法,改善了协同过滤推荐方法中数据稀疏性对于推荐效果的不良影响。本文编码实现了提出的基于混合模型的学术论文推荐方案,通过实验确定了方案中的一些参数取值,并与其他推荐方案进行了对比分析,验证了本方案的有效性和优势。本文提出的方案包括一种新的主题模型—-ACTOT(Author Conference Topic Over Time)以及基于该模型的混合推荐模型MFWT (Matrix Factorization With Topic)。ACTOT模型结合了论文的内容信息、发表期刊／会议信息和发表时间信息,可以准确地对研究人员的兴趣进行建模。MFWT (Matrix Factorization With Topic)模型在实现了基于模型的协同过滤方法和基于内容的推荐方法的混合,使用ACTOT模型和LDA模型计算的用户主题向量和论文的主题向量,并分别对PMF(Probabilistic Matrix Factorization)模型中的用户隐式因子特征向量和论文隐式因子特征向量作正则化处理,修正了PMF模型的推荐结果,有效地改善了评分矩阵稀疏性带来的不良影响,同时也解决了协同过滤方法的冷启动问题。本文首先分析了学术研究领域现在主流推荐方法的研究现状和不足之处,然后详细介绍了本文提出的MFWT混合模型设计方案和实现方法,最后介绍了MFWT模型的实验验证和实验结果分析。