学术合作是学术界的一种普遍现象,合作者推荐系统帮助学者发现有价值的合作者。大多数推荐技术以提高推荐结果的准确率为目标,为学者提供相似的合作者,但是它们忽略了推荐结果的新奇性。合作行为受多方面因素影响,而新奇合作有助于科研技术的革新或科研成果的突破。因此,本文主要研究新奇(serendipity)科研合作者的特性和表现,并分别提出了新奇合作者的识别和推荐方法。首先,本文总结了相关工作中对于新奇性概念的理解,从相关性、意外性和价值性三个角度定义新奇科研合作者,对应的直观定义分别为网络结构相似性、主题多样性和合作者本身影响力,并分别通过随机游走算法、跨领域合作数以及特征向量中心度对每个指标进行量化。然后,本文利用新奇合作者的定义设计了两个有价值的应用,分别是基于聚类算法的新奇合作者识别和基于网络表示学习算法的新奇合作者推荐。基于聚类算法的识别模型RUVMod对所有合作者进行聚类,结合定义中的三个指标对每个合作者簇进行分析,并将所有合作者划分为8个类别。最终相关性低、意外性和价值性高的合作者簇被识别为新奇合作者集合。另外,基于网络表示学习算法的推荐方法Seren2vec将新奇合作者的量化指标融入学者论文合作网络,并改进传统网络表示学习算法,使得学者向量的表示过程以新奇性为导向。最终计算向量之间的余弦相似性,为目标学者推荐新奇合作者。本文提出的识别和推荐方法在DBLP数据集构建的论文合作网络中进行了大量的实验分析。实验结果表明,与基准方法的识别性能相比,RUVMod更有效地解决了新奇合作者的识别问题。Seren2vec提高推荐列表新奇性的同时保证了一定的准确率,获得了满意的推荐效果。