大数据时代的到来,科技信息文献数量呈现爆炸式增长态势,科研人员很难快速地找到与之相关且高质量的文献。因此,本文从科研人员的多维用户特征出发,以异构信息网络和深度学习算法为背景,构建有效的文献推荐方案。本文分两阶段进行研究,首先分别基于异构信息网络和深度学习算法提出两种候选文献推荐集生成方法,然后选取多角度对候选文献集进行排序,最终实现高质量相关文献推荐方案。基于异构信息网络的候选文献推荐集生成方法,充分利用异构信息网络丰富的语义信息,选取用户的合作作者、作者单位、期刊和文献内容特征。首先基于文献、期刊、作者、关键词和作者单位五大实体构建文献信息网络;然后选择文献信息网络中的5条元路径并基于DPRel算法计算用户相似度矩阵,同时赋予各条元路径权重;最后5条元路径进行加权求和,得到最终的用户相似度矩阵,对目标用户实现相似用户集生成,并根据相似用户集发表文献生成候选文献推荐集。基于深度学习的候选文献推荐集生成方法,充分利用深度学习技术的健壮性特点,选取用户的合作作者特征、发表文献内容特征及参考文献内容特征。首先利用堆叠去噪自编码器实现用户合作作者信息提取,生成用户合作作者特征向量;然后利用融合注意力机制的双向长短时记忆网络实现文献基本信息提取,生成文献内容特征向量;最后在传统概率矩阵分解方法中,加入用户合作作者特征矩阵和文献内容特征矩阵,从而预测科研人员偏好,实现个性化候选文献推荐集。多角度出发实现候选文献集排序的方法中,使用作者的h指数作为作者研究级别的量化指标,同时考虑文献中所有作者位次赋予权重,各作者h指数加权求和得到文献最终的作者研究级别判别值AL;使用期刊影响因子作为文献的期刊研究级别判别值ML;使用文献被引次数和下载次数的比值作为“文献传播力”,并引入时间因素,得到文献的自身价值PL;最后,AL、ML、PL三者乘积得到文献的最终价值,实现候选文献集质量有效排序。实验选取中国知网（CNKI）数据作为实验数据集,通过Python和Matlab等实现模型验证。结果表明,基于异构信息网络的候选文献推荐集生成方法中多条元路径综合的推荐效果高于单条元路径,在F1值和推荐成功篇数比例上均有所提高;基于深度学习的候选文献推荐集生成方法较概率矩阵分解方法在RMSE值更低,推荐效果更好;文献集排序方法较传统排序方法在C值上有所降低,计算文献价值更加有效。