随着互联网的快速发展,科研人员上传和下载文献的权限愈发自由,越来越多的电子文献资料出现在网络中。然而,如何更加准确、快速的检索用户所需的电子文献资料成为当前科研工作急需解决的一个难题。科研社区网络中隐含着内容丰富的各类实体之间的关联关系,为了提供更加高效、精准的服务,本课题提出基于机器学习的电子文献推荐算法,将社区发现引入电子文献推荐系统,在提供更加精准的个性化推荐的同时有效地改进了协同过滤推荐算法中存在的数据稀疏与冷启动的问题。在科研社区发现这一研究领域,本课题提出一种引入社区度从属偏重的重叠社区发现算法（CODA-BS算法）。在每一次迭代过程中,CODA-BS算法采用信息熵计算节点阈值,利用偏重函数优化标签从属系数,依据标签传播规则进行标签筛选、从属系数归一化,从而检测到更优质的社区。通过在社区发现领域的基准数据集和中国科学技术协会的学术资源与社交平台数据集上进行验证,从实验数据分析结果来看,CODA-BS算法相较于经典的基于标签传播的重叠社区发现算法（COPRA算法）划分社区的准确度更高,稳定性有所提升。在电子文献推荐阶段,课题中引入社区发现的结果,采用一定的策略弥补用户评分矩阵。首先,利用社区发现的领域隶属度来填充用户-领域评分矩阵,然后依据Pearson系数计算用户相似度,以此来改进基于用户的协同过滤推荐;基于文献的协同过滤推荐利用文献隶属领域及作者的领域隶属度等条件,采用一定策略转换为用户-文献评分表,然后计算文献相似度并进行推荐,至此完成融合社区发现的协同过滤推荐;最后提出一种新的思路:将几种推荐模型进行切换式混合,根据数据源的不同,模型会选择不同的推荐算法进行训练,通过这种切换方式,得到最合适的推荐结果。实验结果表明,融合社区发现的协同过滤推荐与切换式混合推荐在科研社区领域相较于基于内容推荐与协同过滤推荐具有更好的实验结果。