近些年来,经济的高速发展推动了科学研究飞跃式的进步。科研人员推出科技成果的速度越来越快,数量也越来越多,各种科技文献数据库、在线数字图书馆中存储的论文数量几乎可以说呈指数型增长。如此丰富的科研成果,虽然为科研人员的各项研究奠定了文献基础,但是也使得科研人员查找相关论文的时间和精力消耗甚多,凸显了“信息过载”问题。如果科研人员仅通过阅览少数论文就可以获得许多相关论文,那么科研工作者的效率会显著提升。为了达到该目标,本文提出了一种基于随机游走和多特征融合的论文推荐算法,只需要研究者阅览少数感兴趣的论文,然后通过这些论文推荐相关论文供科研人员阅读,以期缩短科研人员查找论文的时间,将更多的时间和精力放在论文研读和科研创新方面。基于随机游走和多特征融合的论文推荐算法包含两部分内容,第一部分仅利用了论文摘要信息和引文网络结构信息,构建了基于摘要主题信息进行随机游走的网络表示学习框架,这是一种无监督的论文推荐模型。该模型首先对引文网络中的论文节点的摘要进行LDA主题建模,得到论文节点的主题标签,然后进行基于主题标签随机游走的网络表示学习得到节点的向量表示。最后通过节点向量之间的余弦相似度作为论文的相似度,推荐相似度高的论文。真实引文网络的实验表明该算法比Deepwalk、Node2vec算法的推荐效果更好,MAP指标、NDCG指标、Precision指标、Recall指标、F1指标均有一定的提升。但是,仅仅利用论文摘要信息和网络结构信息还不够,为了进一步提高推荐算法的效果,在第一部分研究的基础上,提取论文之间存在的多种特征,即施引论文和被引论文之间的内容特征、拓扑特征和属性特征共三大类特征,进行一种融合多特征的推荐算法来推荐相关论文。第二部分实际是一种分类算法,即给定两个论文节点,如果分类算法判断二者会连接,那么算法就会推荐。分类算法采用逻辑斯蒂回归,真实引文网络的实验结果表明该算法在第一部分研究的基础上显著提升了推荐效果,MAP指标提升了12%左右,NDCG指标提升了6%左右,Precision指标提升了24%左右,Recall指标提升了17%左右,F1值提升了30%左右。本文还利用极端随机树对这三大类特征进行特征重要性排序,不仅证实第一部分研究对推荐效果起了关键作用,还发现网络拓扑特征和内容特征在相关论文的识别中起着重要的作用。