知识经济时代,知识成为驱动组织发展的重要因素。随着组织规模的扩大和信息化的发展,知识的积累越来越多,知识库呈现爆炸式的增长,人们陷入了“知识过载”、“知识迷航”困境,知识使用者在寻找自己所需的知识会花费更多的时间。因此减轻知识获取和传播的障碍,提高知识的利用效率,为知识使用者带来便利,成为亟待解决的问题。知识推荐能够以合适的方式将合适的知识在合适的时间推送给需要它的用户,是缓解这一问题的重要途径。协同过滤算法因其简单的特性被广泛应用于知识推荐中,然而,该算法存在两方面缺陷:在推荐精准性方面,该算法仅以用户历史行为作为兴趣来源,忽略了知识语义。在算法效率方面,该算法需要遍历全部用户列表得到用户近邻,在推荐系统中用户规模和知识规模不断扩大的情况下,这会降低算法效率。有鉴于此,本文在基于用户的协同过滤基础上,提出一种基于用户兴趣主题挖掘和聚类的知识推荐算法。首先,引入隐含狄利克雷模型(LDA)进行用户兴趣主题的挖掘。众所周知,知识作为凝聚化、系统化的信息内容,能够指导人们的思想和行为的正是其语义内涵,知识语义可以更准确的表达用户兴趣,提高推荐精度,这在知识推荐中至关重要。本文采用LDA模型对用户知识文本进行主题挖掘,以主题及其概率分布的形式表达用户兴趣。针对LDA模型在存在的主题数难以确定、不体现动态性等缺点,本文提出主题数优化和加入时间因子的LDA主题模型,使模型可以更准确的获取知识主题,更清晰、动态地表达用户兴趣。其次,引入模糊C均值(FCM)对用户进行聚类,缩短相似度计算时的搜索范围。协同过滤算法存在数据稀疏、效率较低的问题,本文在推荐之前进行用户聚类。针对FCM算法在用户聚类中的不足,本文用Wasserstein距离代替欧式距离。距离度量方式改变后聚类中心的求解随之变化,本文采用人工免疫算法寻找新的聚类中心。然后根据协同过滤公式计算知识推荐指数,构建知识推荐列表。最后,通过数据收集、实验分析验证本文算法的进步性和有效性。