根据某篇目标论文寻找相似论文,是科研人员的常见需求,学术论文推荐系统能够帮助科研人员从快速增加的海量学术大数据中过滤提取有效信息。推荐算法是推荐系统的主要研究对象之一,不同的推荐算法适用于不同的数据。学术论文包含多属性特征,既可以使用基于文本特征的推荐算法,也可以根据引文、共引等信息构建同构网络、根据文章、作者、机构等信息构建异构网络,对网络使用基于图特征的推荐算法。现有的论文推荐方法存在许多问题。经典的基于同构网络的论文推荐方法损失了多种顶点类和边类构成的复杂论文网络的结构信息,而大多数基于图的推荐算法都忽略了论文文本信息。且无论同构或异构的图嵌入方法,在新增节点后均需要重新训练。还有一些加入了文本的特征的基于图嵌入的论文推荐方法,它们融合的文本或结构特征较简单,没有考虑摘要信息的文本相似度和论文作者及所属机构带来的结构关系。针对以上问题,本文提出了在同构网络的基础上融入异构网络表征学习、文本表征学习方法的论文多属性特征推荐算法:该推荐算法首先利用引文网络,基于引文的结构将论文转化为向量。再利用含有文章、作者、机构信息的异构网络,将论文基于作者和机构的论文信息转化为向量。然后通过摘要和标题的文本信息得到文本特征向量。接着对于每篇论文,使用基于引文结构特征、异构网络特征和文本特征的相似论文重构引文网络,最后根据加入多属性特征的重构引文网络进行保留结构性和同质性特征的图嵌入,得到每篇论文的多属性嵌入向量,最终推荐列表由向量相似度计算得到。在ar Xiv子数据集上的实验结果表明,本算法在精确率、准确率、召回率、F1四个指标上部分优于对比算法。结合上述推荐算法,本文设计实现了论文推荐原型系统,包含基本的查询、搜索功能,支持用户自定义的基于多属性特征的论文推荐方法,对新增论文,避免图表征学习重训练,直接进行推荐。本系统使用Python进行后端开发,Qt和flask框架进行前端开发,My SQL作为数据库实现系统。