每年,数以万计学术论文的发表使得论文的规模达到了空前的高度。科研人员如何在众多的学术论文中找出感兴趣的论文成为困扰他们的一个棘手问题。早期,研究者主要运用传统的协同过滤推荐方法来为用户推荐论文。由于基于协同过滤的推荐方法无法解决推荐当中面临的冷启动问题,因此,他们又提出基于论文文本内容的推荐方法。但是,该模型仅考虑到论文的文本内容而忽略了学术论文之间的潜在联系,使得推荐的结果差强人意。针对上述两种模型的缺点,本文围绕基于网络图模型的学术论文及其标签推荐方法开展研究,主要研究最新发表学术论文的有效推荐问题以及为学术论文推荐合适标签的问题。通过分析现有网络图模型方法中存在的问题,借鉴其易融合异构信息的优势,提出了两种图模型方法:一种结合标签数据图模型的新发表论文推荐方法和一种基于多源异构图模型的学术论文标签推荐方法。前者主要将学术论文的标签数据添加到文本内容中计算论文间的相似度值,有效的解决了新发表学术论文因缺少历史用户行为信息而造成的数据稀疏问题,增强了学术论文之间的内容互信;后者则充分利用了学术论文中存在的异构信息构造多源异构图模型,不仅可以为学术论文推荐相关的标签信息,而且也有效的解决了标签推荐中面临的冷启动问题。另外,这两个图模型较其它图模型仅添加了少量的学术论文相似关系,其结构得到了极大的简化,可以更好地适应稀疏数据,降低模型的计算成本。本文将学术论文中的多种信息统一整合到图模型中,然后再运用重启动随机游走的方法计算图中任意节点的相似度值,进而完成了学术论文及其标签信息的推荐任务。在两个真实数据集上进行的实验结果表明本论文提出的两个模型相比对照模型具有更高的推荐效率和精度。