科研社交网站是基于Web2.0平台搭建的典型网络环境下的非正式交流平台,其在保持了普通社交网站优点的同时兼顾了科研工作者的特殊需求。借由不同的科研社交网站,科研工作人员可以跟踪最新的学术进展,实现跨距离的学术交流;甚至可以寻找跨区域、跨领域的科研合作者,构建学术团队,共同开展科研项目。随着科学研究交流与合作越来越趋于跨国界和跨学科,在线的科研社交网站也发挥着愈加重要的作用。然而,新文章发表速度的快速增长以及在这些科研社交网站平台分享的低成本导致了信息过载问题,科研人员不得不花费大量的时间在海量的学术资源中进行筛选,有一些甚至难以找到真正符合自己兴趣的学术资源。从这个角度来看,构建能够提升科研人员查找资源效率的相关推荐系统已经势在必行。科研社交网站的服务重点在于论文、著作等学术成果的分享以及学者间社交关系的搭建,因此,在构建科研社交网站推荐系统时,需紧紧围绕这两个重点挖掘用户特征,以保证推荐系统的有效性。另外,现有的科研成果推荐大都是假定学者兴趣恒定不变,难以反映学者兴趣变化。为此,本文将以科研社交网站的论文推荐为例,在引入时间加权函数的基础上,基于科研成果的内容分析学者动态兴趣,基于用户关注关系筛选相似学者,提出一种基于混合方法的科研社交网站个性化推荐模型。在基于混合方法的论文推荐模型中,本文构造了两个子模型:基于目标学者动态兴趣的论文评分模型和基于相似学者的论文评分模型。在基于目标学者动态兴趣的论文评分模型中,运用基于关键词的兴趣挖掘技术从论文标题、摘要和关键词中形成学者兴趣特征集合,引入了非线性时间函数模拟遗忘曲线,生成遗忘因子进行加权,使用余弦相似性计算相似度,得到基于动态研究兴趣的论文评分。在基于相似学者的论文评分模型中,采用Adamic-Adar方法计算学者关注兴趣重合度,筛选出邻居集,计算邻居与目标学者的研究兴趣相似度,发现相似学者,得到基于相似学者的论文评分。在此基础之上,应用Comb策略对上述评分进行整合,将推荐值较高的论文作为结果输出。最后,根据“学者网”的数据实例,对推荐模型的可行性和有效性进行了验证。