随着Internet的普及和高速发展，每时每刻都有数以千万计的新闻事件及其评论信息在互联网上进行传播与演化。这些信息的载体主要有文本，图片，视频等形式。由于其庞大的数量，用户在这些信息中寻找自身所需要的知识时需要人为的过滤噪音，从而加大了人的认知负担。相对于人有限的信息处理能力，计算机的处理能力却几乎可以说是无限的。由此，研究如何利用计算机来帮助用户从海量信息中发现有用的知识并理解这些知识，进行知识推荐有着重要的意义。本文主要研究面向文本集合的知识推荐。在知识推荐的模型研究中，采用何种模型来指导我们建立知识推荐模型是一个非常重要的问题。传统的推荐主要分为两类，基于内容的推荐，以及基于用户历史数据的推荐。在进行商品的推荐时，一般利用用户的行为数据，进行数学建模，从而实现推荐，产生了不错的效果。而对于文本知识推荐，知识不同于一般商品，用户对知识内容的需求决定了知识的价值，所以知识推荐应该从知识内容着手，遵循人类寻找知识的认知规律，利用机器的存储及逻辑运算方面的优势，根据用户的知识需求特点进行服务。然而，目前大多数推荐方法不符合人类知识提取的规律，缺乏认知学领域相关机理的支持，比如人类记忆提取机理的支持，并且推荐的结果依赖用户行为数据，存在“冷启动”及“用户评价随机性”等问题。为了构建一个以文本知识为主体的推荐模型，本文借鉴认知学中关于人类记忆激活扩散过程的研究结果，以及脑科学家关于人类注意力研究结果，利用已有的文本知识机器表示方法，采用矩阵论，博弈论和概率论的思想与方法，建立了一种基于内容的文本知识推荐模型。本文的具体内容与贡献如下：第一、分析了各种激活扩散模型在知识推荐中的作用。综合分析了认知学中纯粹激活扩散模型，距离限制激活扩散模型，路径限制激活扩散，扇出激活扩散模型的特点及思想，概括出了这些不同特点的激活扩散模型在知识推荐中的作用。第二、建立了基于激活扩散模型的查询扩展方法。在由关键词构建的关联语义链网络基础上，根据距离限制激活扩散模型的思想，实现了不依赖用户历史数据的查询扩展方法，其中包括传统查询扩展方法不具有的语义关系扩展以及语义社区扩展，可以更好的帮助用户获得对知识的梗概的了解。第三、建立了基于激活扩散模型的知识推荐模型利用扇出限制激活扩散模型，路径限制激活扩散模型的思想，在关键词层次为用户提供序列关联的知识推荐服务。在这个过程中，采用博弈论思想模拟了人类注意力抑制增强的过程，并加入人类记忆痕迹的遗忘函数，以计算节点初始状态。继而依据根据用户特点，采用hebb学习过程来调整语义链网络的权重，使推荐的结果更符合人类认知过程以及用户的需求。在推荐关键词层次的知识后，从领域知识与文本知识的特点出发，将关键词层次的推荐结果映射到文本层次，实现了文本层次知识的推荐，为用户最终理解知识提供帮助，以满足用户知识需求和减轻用户认知负担。