现代工业和企业的飞速发展离不开其试验部门,采用计算机技术辅助工业生产已经成为现代化工业生产的常态。航空航天、船舶、兵器,以及机械装备等领域在其工业生产中会进行长期的设计、仿真、试验并积累大量试验数据。TDM(Test Data Management)即试验数据管理系统就是为了管理这些非结构化的试验数据而产生的。随着现代工业的发展,TDM系统也需要与时俱进。计算机技术的发展,例如人工智能、机器学习等技术的发展,为开发下一代TDM系统的开发提供了理论基础。信息时代的到来和互联网相关技术的快速发展使得互联网用户进入了信息过载时代。由于信息过载,用户面对海量的信息难以快速找到感兴趣或对自己有价值的信息。推荐系统就是在这样的背景下产生的,而现在个性化推荐技术已经成为解决信息过载的最重要手段之一。本文提出在TDM系统的知识管理平台基础之上,针对为TDM系统用户提供智能化知识推荐服务设计和实现了知识管理平台的个性化知识推荐系统。本文首先对TDM系统的实际需求和应用场景进行分析,提出利用社会化标签系统建立推荐系统。为了解决标签聚类时的语义模糊性问题,本文建立了标签共现网络并对重叠社区发现算法进行了深入研究,提出了一种新的基于线图和谱聚类的重叠社区发现算法LCLS(Link Clustering based on Line Graph and spectral clustering)。本文的主要研究工作内容如下:(1)通过对TDM系统和知识平台的实际应用需求分析、结合我国“智慧院所”国家规划的时代发展要求,本文提出了基于知识平台为科研院所人员设计和实现个性化知识推荐系统。(2)根据对系统的实际应用场景分析,本文基于标签聚类建立知识推荐系统。为了解决标签聚类时的一词多义问题,本文建立了标签共现网络并使用复杂网络科学领域的社区发现算法进行标签聚类。(3)对重叠社区发现算法进行了深入研究,针对前人研究中社区发现算法忽略节点关系强度、算法计算成本过大、社区发现质量较低等问题,本文提出了一种新的基于线图和谱聚类的重叠社区发现算法LCLS。LCLS算法针对带权值的网络图改进了相似度和评价函数的计算方法,并利用线图对网络中的边进行聚类以发现重叠社区,此外使用谱聚类大大降低了LCLS算法的运行成本,使得LCLS算法可以应用于较大规模的实际网络中。在真实数据集上的实验结果证明了LCLS算法的有效性和优势。(4)实现了个性化知识推荐系统,在建立推荐模型时本文引入了时间因素以动态反映用户的兴趣改变,从而提高推荐质量,并通过实验验证了这一点。不仅如此,在实现推荐系统时为了提高系统性能和便于业务建模,本文引入图数据库代替传统的关系型数据库。本文提出了一种新的重叠社区发现算法LCLS,在此基础之上设计和实现了基于标签聚类的知识推荐系统。知识平台的推荐系统的实现及与TDM其他系统的集成对TDM系统的发展有着重要意义。不仅如此,这也是为我国科研院所的智慧院所等发展目标探索了新的发展方向。本文的研究工作在理论和实际应用方面都具有一定价值。