在学术大数据时代,大量的学术信息充斥着整个网络,想要从中挖掘出有价值的信息变成了亟待解决的问题。学术推荐系统的产生在一定程度上解决了这一问题。论文推荐和合作者推荐是学术推荐的两大核心研究问题。然而之前基于图的推荐算法多数是基于不灵活的手工设计特征,从而会出现在高维稀疏环境下计算量大、推荐效果差等问题。此外,多数基于图的推荐算法缺少对论文文本信息的有效利用。针对以上问题,本文在网络表示学习方法的基础上融入了论文文本信息实现了无监督的特征设计,分别提出了合作者推荐和论文推荐来解决学术信息过载问题。(1)基于主题驱动的网络表示学习的合作者推荐TNERec:该推荐算法通过网络表示学习方法联合学习学者的研究兴趣和网络结构来实现合作者推荐。TNERec首先基于主题模型提取学者的研究兴趣,然后通过网络表示学习得到学者的低维向量表示,最后根据学者向量的相似度生成推荐列表。通过真实数据集上的实验表明,该方法与对比方法相比都有较优的推荐效果,因此可以说明该方法的有效性。(2)融合文本和结构的网络表示学习的论文推荐VOPRec:该推荐算法首先将论文的文本信息转化为论文文本向量用以找到具有相似研究内容的论文,接着将引用网络中隐藏的结构特征转化为向量并找到具有相似网络拓扑结构的论文,将文本相似论文和结构相似论文与目标论文连接重构引用网络,然后通过网络表示学习得到论文的低维向量表示,最后根据论文向量之间的相似度生成推荐列表。通过在APS数据集上的实验验证,VOPRec在准确率、召回率、F1和NDCG四个指标上优于其他对比算法。