随着大数据时代的到来,学者的信息获取与交流变得更加便捷与频繁。科技为学者之间的交流提供了信息基础,但是也带来了信息过载的问题。如何从海量且良莠不齐的数据中,挖掘出有效的信息进行学者表示与推荐显得尤为重要。目前,学者表示方面的研究大多基于平铺型数据来提取学者的主题表示,但忽略了学者信息间的层次化关系。对于学术合作者推荐问题,现有方法大多利用学者的内容特征或网络结构特征的相似性进行推荐,缺乏对高潜力合作关系的挖掘。针对学者内容特征表示问题,本文研究基于树形结构的学者特征表示。本文首先根据学者数据间的逻辑关系构建学者树样本,之后提出了基于节点重构的树形结构向量表示方法。该方法通过聚类获取孩子节点的相似信息,之后构建基于余弦距离的局部重构模型得到层次节点间的补充信息,最后利用子树中的全局信息和局部信息对节点进行重构,最终获得学者的树形特征表示。考虑到基于节点重构的算法中同层节点之间的信息未能得到很好的利用,且重构过程存在参数和求解步骤过多的问题,本文提出了基于层次融合的树形结构向量表示方法。该方法引入层次映射空间提取底层节点的判别信息,底层孩子节点通过层次映射空间与上层父亲节点进行融合,最终的融合向量为学者树的特征表示。最后,通过基于内容的学者推荐任务,与两种树形结构算法和多种传统的文本表示方法进行了对比实验。实验结果表明,本文所提出方法的有效性以及树形结构相对比平铺型数据具有明显的优势。针对高潜力合作关系挖掘问题,本文提出了基于多特征融合的学术合作推荐方法。在学者的内容表示的基础上,获得学者间的语义关系,利用语义关系对学术合作网络进行关系补充,之后基于学术异构网络获得两位学者间的元路径特征,不同的元路径特征从多维度量化学者间的合作潜力,进而结合语义关系和元路径特征对原始合作网络进行重构。通过网络表示学习方法对重构后的学术网络进行向量表示,利用元路径特征对边加权控制随机游走以挖掘高潜力合作关系。在公开数据集上进行了大量的实验,证明了本文所提出算法的有效性。