常用的文档相似度计算方法主要包括集合模型方法、向量空间模型方法、潜在语义分析法等,这些方法仅利用文本信息计算文档相似度。然而,科技文档中包含着大量的非文本信息,如公式、图和表,从而使得原有方法已不太适用。本文提出一种基于文本和公式的科技文档相似度计算方法。该方法主要考虑科技文档中的文本和公式信息,在得到文本相似度和文档间公式相似度的基础上,利用线性组合方法得到科技文档相似度。在MREC数据集上的实验结果表明,文本和公式方法在宏平均F1-score(MF)上最大可提高3%。结合公式信息计算科技文档相似度,不仅能有效提高科技文档相似度的准确性,而且可以实现跨语言科技文档的相似度计算。本文的主要工作包括:公式相似度计算方法有很多种,在不考虑公式变量的前提下,本文提出两种公式相似度计算方法。针对基于文本方法中未考虑公式特征元素有序性的问题,提出一种基于特征序列化的公式相似度计算方法。该方法有序提取公式的运算符、常量和括号作为其特征元素,将公式特征元素的位置映射为位置向量,通过计算位置向量是否相等得到公式相似度。针对混合方法中子树的无效匹配问题,提出一种基于有效匹配子树的公式相似度计算方法。该方法首先按先序遍历策略有序获得有效子树多重集,其次利用有效子树父节点的第一个孩子节点的交换性及有效子树是否已被匹配等信息,找到所有的有效匹配子树,最后综合考虑有效匹配子树的节点数和其所在解析树中的层次对有效匹配子树权重的影响,给出有效匹配子树权重计算方法,从而得到公式相似度。实验验证了有效匹配子树方法的有效性。为保证公式的一对一匹配和合理量化文档间公式相似度,提出一种基于KM算法的文档间公式相似度计算方法。该方法利用公式间的相似度,构建文档间公式的带权二部图,采用KM算法求带权二部图的最大权匹配,利用最大权匹配和文档间公式个数计算文档间的公式相似度。