在互联网技术蓬勃发展的时代,学术资源的数量持续增长。面对海量学术信息,推荐系统是最高效的信息过滤方式之一,有效地缓解信息过载从而提升资源的利用率。学术资源具有多类型、异质等特性,而用户具有多样的、潜在的兴趣与倾向,传统推荐方法容易受到数据稀疏性、推荐结果少多样性等问题的影响,目前有效的缓解办法是融合辅助信息到推荐系统。知识图谱辅助的推荐方法作为近几年研究热点,能有效组织学术资源所蕴含的丰富关联信息,将知识自然地融入推荐系统,提升结果精确性和多样性。针对以上的问题,基于知识图谱的优势,本文以学术论文的推荐为研究切入点,围绕知识图谱辅助的论文建模和用户阅读偏好建模、基于用户偏好的个性化论文推荐等方面,研究如何更加精准地推荐个性化的学术论文。本文的研究内容与主要贡献如下:首先,为了研究知识图谱如何融入论文推荐,本文提出一种基于知识图谱的论文推荐框架KIRec,尝试用协同知识图谱的特征提升论文推荐的性能。将交互数据和元数据抽象成实体和关系,基于用户-项二部图构建协同知识图谱;使用注意力网络区分用户交互记录对用户偏好的贡献,最终指导用户节点邻域的融合。为了在KIRec框架上进一步在知识图谱中探索用户潜在而多样的兴趣,本文提出一种基于用户显隐式阅读偏好的推荐算法GNPR。这次先构建概念级的知识图谱,基于改进的GCN模型探究用户隐式兴趣;此外,融合了文本特征所体现的显式兴趣,提出双层自注意力机制用获取文本内在的全局特性,帮助捕获更全的用户显式兴趣。其次,为验证KIPRec和GNPR的可行性和对比基线方法的优劣,基于互联网开放的论文推荐数据集和真实学术推荐应用的日志数据,本文设计并实施了一系列实验。实验表明,融合知识图谱和文本特征的用户兴趣建模方式更能提升论文推荐效果。同时采用消融实验,验证了模型变化结构与完整模型的实验效果,即注意力机制模块、知识图谱表示学习模块和用户-论文交互建模等局部设置的有效性。最后,为探究KIRec框架和GNPR算法在工程应用中可扩展性,本文设计和实现了多类型学术资源推荐系统“学术头条”。该推荐系统将以上方法应用在论文、专利、图书和新闻等多种类型资源的推荐场景,比传统基于内容和基于图的方法更能满足用户的需求,体现了知识图谱辅助推荐系统的应用优势。