学术研究是一个不断探索和发展的过程,文献作为学术传播与交流的载体,具有重要意义。文献引用是证实主张与概念的重要任务,恰当的引用能够为文章提供充分的理论依据,也帮助读者正确理解文章的写作意图与思路。面对海量文献,引文推荐系统自动为输入文本推荐合适的文献,是一种高效快速的解决方案。根据引用上下文的差异性,引文推荐被分为全局与局部两个类别。但传统的局部引文推荐偏重学术研究价值,忽视了词级的实体引用与句子级的观点性引用在实际应用中的差异,且仅从作者角度出发,实用价值受限。对此,笔者主要完成两部分工作,一是从使用场景出发,将局部引用细分为词语（实体）和句子（观点）两个分支,并结合审稿人主观需求与客观统计结果,提出实体引用的解决方案,填补研究空白;二是对现有的引文推荐进行模型算法的优化。本文基于审稿人与作者的需求,从实际问题出发,根据上述各任务的粒度,构建词句篇三层级引文推荐模型,作为对现有分类体系的补充和优化。具体研究工作和创新如下:（1）词语层级,实体引用,匹配审稿人视角。基于实体引用占比约25%的统计结果,从审稿人的实体漏引核查需求出发,利用文献的引用记录,建立实体与文章的映射关系,并根据语义匹配与引用频次高低的加权得分返回推荐文献。实验结果显示,提出的方法与实体引用匹配度高;（2）句子层级,观点性引用,匹配作者与审稿人双视角。现有的局部引文推荐对于引用句定位仍待进一步研究,笔者针对文章中某句话是否需要引用,使用基于文献预训练的SciBERT构建判别模型,对包含引用的句子进行特征提取与学习。对比实验表明,构建的判别模型效果优于前人的方法,有效判别引用句;（3）篇章层级,整体性文献推荐,匹配写作者视角。本工作将图卷积网络引入篇章级引文推荐,构建编解码器结构的推荐模型,赋予点和边不同于前人方法的结构定义,并使用图卷积网络对二者进行特征编码,最后通过解码重构图,返回文献推荐列表。实验证明,构建的模型在篇章级别引文推荐任务上效果良好。