大数据时代,海量学术资源数据实时涌现,使得用户(例如:科研人员)需要花费大量的时间来寻找需要的各类学术资源。传统信息检索技术无法满足用户的需求,学术资源个性化推荐技术能够主动地为用户推送满足需求的学术资源。随着学术个性化推荐技术的发展,传统学术资源个性化推荐技术也存在几个方面的挑战:一是仅考虑资源的内容相似,忽略了用户的行为偏好;二是仅考虑学术资源的相似度,忽略了学术资源的质量;三是大部分是单类型学术资源的推荐,少部分多类型学术资源推荐也只是简单的推荐结果的混合,无法灵活地进行多类型学术资源推荐。这些缺陷不仅影响推荐结果的准确性,而且极大地影响用户对推荐列表的满意度。因此本文研究基于行为偏好的优质学术资源导向性个性化推荐。主要的研究内容和创新如下:(1)基于网络结构的推荐方法不仅能够利用多类型的特征信息,而且通过改进顶点或随机游走算法能够影响推荐结果。因此,针对传统学术论文推荐技术的相应缺陷,本文提出了一种融合网络图模型和排序模型的论文推荐算法。该算法基于图模型,借鉴了Page Rank算法结合论文的期刊因子计算论文的质量,进而通过改变论文顶点权重,提高游走过程中质量更高的论文顶点的游走概率。为了提高推荐列表的质量,引入排序模型,利用用户与学术资源之间的相似度、学术资源的质量权重和学术资源主题的热门度等3个方面的特征对推荐结果进行排序。(2)通过分析用户行为模型能够有效利用用户的行为信息。通过构建多类型的学术资源网络结构,调整游走参数,能够灵活的推荐多类型学术资源。因此,本文在质量论文推荐的研究工作基础上,提出了一种基于偏差游走和行为模型的优质学术资源推荐算法。该算法首先根据权威度、主题热度和时新度等3个外部特征改进学术资源质量的计算方式;然后借鉴node2vec中的偏差随机游走思想,设计偏差因子,使得通过不同的类型因子和质量因子能够导向性推荐不同类型、不同质量的学术资源;最后借鉴LEARNSUC预测模型提出行为模型(Behavior Model,BM)对推荐结果进行优化排序,提高推荐列表的质量。本文在Cite ULike-a公开数据集和源于项目组开发的学术头条平台的真实数据集上验证了所提方法的有效性,相比于传统学术资源推荐技术能够推荐更准确、质量更高、更灵活多样的学术资源。