在各类规划、调研报告的编制过程中,编制人员往往需要根据拟定的目录或标题去收集阅读大量文本素材、进行分类整理再甄选使用,不仅工作量大而且质量无法得到保障。随着大数据时代的到来,参考材料愈发多源多类,如何帮助文档编制人员从繁重的文本素材收集、整理、分类的工作中解脱出来已经成为了一大挑战。为了减少文档编制人员的工作量,提高文档编制的效率,文本素材推荐方法应运而生,利用信息检索等技术,根据拟定好的目录结构,从海量的编制材料中自动、精确地检索和推荐出适用的文本素材。然而,在数字政府规划文档编制领域当中使用现有的文本素材推荐方法存在推荐效果不佳等挑战。为此,本文从信息检索的角度出发,在数字政府规划文档编制领域,开展结合标签分类和语义查询扩展的文本素材推荐方法研究,提出了一种多因素加权融合的文本素材推荐方法。该方法通过差分进化算法融合基于目录标题-文本素材标题相似度比较的文本素材推荐方法、基于目录标题-文本素材内容相似度比较的文本素材推荐方法,以及基于标签分类的文本素材推荐方法,通过线性加权的方式组合从目录标题到文本素材之间的目录标题-文本素材标题相似度、目录标题-文本素材内容相似度,目录标题标签-文本素材标签匹配度,能够充分利用文本相似度、语义扩展下的文本相似度、标签分类等信息。通过在10个数据集上的实验验证,实验结果表明该方法性能提升显著,能够大大降低人工素材选择的工作量,同时减轻素材分类的工作量,降低文档编制的难度。论文的主要工作如下:（1）针对文本素材推荐时,文本素材在原始参考文献中的标题信息经常被忽略的问题,提出了一种基于目录标题-文本素材标题相似度比较的文本素材推荐方法。该方法利用在数字政府领域语料库训练得到的词向量模型,对目录标题和文本素材标题进行词向量平均表征,然后使用余弦相似度计算目录标题-文本素材标题的相似度,最后通过相似度倒序排序推荐Top N的文本素材。实验结果表明,该方法优于编辑距离、VSM模型等基线方法,且融合该方法的文本素材推荐方法效果更好。（2）针对文本素材推荐时,以目录标题（短文本）检索文本素材内容（长文本）存在的短-长文本匹配效果不佳的问题,提出了一种基于目录标题-文本素材内容相似度比较的文本素材推荐方法。该方法同样利用在数字政府领域语料库训练得到的词向量模型,从文本素材标题-内容知识库中对目录标题从向量表征层面进行语义查询扩展,拼接得到扩展后的目录标题词向量平均表征,然后使用余弦相似度计算目录标题-文本素材内容的相似度,最后通过相似度倒序排序推荐Top N的文本素材。实验结果表明,该方法与基线方法相比,文本素材推荐方法效果更好。（3）针对文本素材推荐时,从文本素材划分到目录标题下的分类信息缺乏考虑的问题,提出了一种基于标签分类的文本素材推荐方法。该方法基于文本素材标签分类训练集,使用线性支持向量机训练得到的模型对文本素材进行标签预测和预测概率归一化,计算目录标题标签-文本素材标签匹配度,通过标签匹配度倒序排序推荐Top N的文本素材。实验结果表明,融合该方法的文本素材推荐方法效果更好。（4）为了充分利用文本标题、素材内容和标签分类等信息更好的进行素材推荐,提出了一种多因素加权融合的文本素材推荐方法。该方法利用差分进化算法学习前三种方法得到的三种相似度（目录标题-文本素材标题相似度、目录标题-文本素材内容相似度、目录标题标签-文本素材标签匹配度）的最优线性组合的参数,得到线性加权融合后的待推荐目录标题-文本素材的相似度。实验表明,本方法在Top N Rank、MRR、MAP、P@N,R@N,F1@N等评价指标上均优于上述提出的三种文本素材推荐方法,也优于以往的文本素材推荐方法。