随着网络技术的飞速发展,网络信息资源呈爆发式增长趋势,其中的学术论文等资源的数量也急剧增长。据DBLP数据统计,自2010年以来每年平均有超过33.6万篇的论文发表,仅人工智能领域,2000年到2019年期间在ar Xiv上发表的学术论文数量增长了20倍以上。如何在海量数据中实现更精准的论文搜索和推荐,成为当前相关研究领域的一个重点和难点问题。据不完全统计,在学术类论文的搜索目标中,大多数用户对论文的理论创新度有很高的关注度,而传统的论文搜索和推荐算法主要采用在全文范围内基于上下文环境或语义的关键词匹配查询或者基于用户兴趣模型的相关推荐等方式,这些推荐算法推荐的论文质量参差不齐且存在大量重复和冗余,增加了用户查阅的难度,也降低了用户的查阅效率,难以满足用户的查询需求。因此,本文提出了一种基于新颖性和影响力的论文推荐算法。主要的研究工作如下:(1)提出了一种基于主题共现图的论文新颖性检测算法,使用主题共现图来模拟论文思想与领域知识背景之间的关系,提取背景图的变化作为论文新颖性检测模型的特征集,然后使用自编码神经网络与密度聚类相结合的方法来检测一篇论文的新颖程度并给出是否新颖的可靠性判断。实验结果证明,本文提出的论文新颖性检测方法具有合理性和有效性。(2)提出了一种基于引文网络图的论文影响力评价方法,针对论文时效性、引用差异性和学术影响潜力三个方面改进原始Page Rank算法。实验结果证明,本文改进后的算法得到的高影响力论文在发表时间和未来被引用量这两个评价指标上,表现优于原始算法所得结果。(3)提出了基于新颖性与影响力的论文推荐算法,通过重启随机游走算法结合论文的新颖性和影响力来进行推荐。算法将论文的新颖性值和影响力值作为节点权重改进传统的引文网络图,并且改进其中的概率转移矩阵,以使在重启随机游走的过程中模型能以更大的概率游走到新颖性和影响力高的论文节点。实验结果证明,本文提出的论文推荐算法在召回率和NDCG两个评测指标的表现上都优于其它对比算法。