文献阅读是高校研究生提高科研水平的重要途径之一。科学出版物的急剧增长造成文献资源信息过载,继而引起科研用户难以阅读领域内所有相关文献进行科学研究。基于关键词的信息检索技术虽然在一定程度上能够缓解文献信息过载带来的压力,但检索结果依然存在数据量庞大的问题,用户仍需要花费大量时间和精力筛选感兴趣的文献。在这种背景下文献推荐系统应运而生,它能根据用户与系统的交互信息预测用户偏好,自动地为用户推荐其感兴趣的文献。随着用户偏好逐渐趋于多样化和复杂化,传统的基于单一数据源建模的文献推荐方法难以准确预测用户偏好。另外,对于新用户,由于缺乏与系统的交互信息,会存在冷启动的问题。对于以上问题,现有研究通常采用引入文献的作者、文献的所属期刊、文献的引用关系等辅助信息来提高模型的推荐性能。然而,囿于辅助信息通常包含多样化数据类型,融合这些辅助信息进行推荐存在以下问题:一是辅助信息数据结构的差异性特性导致推荐模型难以利用所有信息;二是辅助信息的信息抽取影响辅助效果,学习有效的特征表示尤为重要;三是不同辅助信息对于模型结果的重要程度难以分辨,需要有效融合辅助信息向量。针对以上问题,本文的主要工作如下:（1）为了有效抽取和融合辅助信息,提出了一个基于异质信息网络的文献推荐模型,在用户的行为数据基础上,通过构建用户-文献的关系网络引入文献的引用信息和标签信息,并使用元路径相似的方法从所构建的用户-文献的关系网络中学习用户偏好特征表示;此外,设计了一个深度神经网络,对上述偏好表示再学习以获得更为完善的用户偏好特征表示;最后,利用自注意力机制对多方面用户偏好特征进行融合,以此帮助模型识别关键特征,获得更好的推荐表现。（2）为了实现对辅助信息的充分利用,在上述模型的基础上,加入了文献的文本信息,提出了一个融合多维特征的文献推荐改进模型。该模型首先利用元路径随机游走的方法从所构建的用户-文献的关系网络中学习用户偏好特征表示,并结合深度神经网络学习更为完善的用户偏好特征;然后,利用文本表示方法学习用户背景知识表示,最后将以上两种方法获取的用户偏好特征向量同时输入自注意力机制中以获得用户的最终嵌入表示。（3）在真实的数据集上对所提出的两个文献推荐算法的推荐性能进行验证,实验结果表明本文所提出算法的推荐表现优于其他算法;同时,通过对整体模型设计消融实验,验证了模型各部分功能的有效性;此外,利用冷启动用户证明了本文所提出的第二个文献推荐模型在解决冷启动问题方面的有效性。