随着大量论文的发表,科研人员如何在海量的论文中寻找符合需要的文献成为困扰他们的一个棘手问题。论文推荐成为解决上述问题的一种有效途径。现有的论文推荐方法大多利用引用信息、内容信息进行推荐,然而对具有多种类型特征信息的论文而言,仅采用这种方式会导致推荐的结果差强人意。基于此,本研究通过构建图模型来整合论文的多类型特征信息,设计一种基于图模型的论文推荐算法来解决当前论文信息超载的问题。本文的主要研究工作如下:(1)基于论文多类型特征信息的图模型构建。针对论文中多类型特征信息表示的问题,本研究构建一种四层图模型,模型整合了论文、作者、主题和关键词信息以及它们之间的关系。考虑到图模型中引用关系较少的论文导致的数据稀疏性问题,本研究采用基于Attention的双项GRU对论文进行语义编码,从语义方面对论文进行理解,并将论文语义之间相似关系融入到论文引用矩阵中。实验结果表明,从论文语义上对论文进行理解更能寻找到与目标论文更加相似的论文。(2)基于图模型的论文推荐算法设计。本文将图模型和重启动随机游走算法相结合,设计一种基于图模型的论文推荐算法,以提高论文推荐的准确率。实验结果表明,在AAN数据集上,本文提出的推荐算法相比于QS-PageRank算法、LDA算法、LinkPLSA-LDA算法、RTM算法及PAWRW算法,在MAP上平均提升6.37%,在MRR上平均提升5.26%,在Recall上平均提升12.15%。(3)论文推荐系统的设计与实现。针对现有的论文推荐方法信息利用率不高的问题,研究结合本文所提出的方法,采用Java语言、Spring Boot框架以及CSS、JS等技术,设计并实现了论文推荐系统。