在互联网飞速发展的时代背景下,学术论文的发文率急剧上升,用户所面临的论文信息过载问题也越来越严重。因此,将学术论文进行个性化推荐成为解决这一问题的一种行之有效的方法。虽然有很多学者都正在致力于研究如何提高个性化推荐的效率,但目前的推荐系统还面临着大量的问题,例如,稀疏的数据容易造成过拟合,没有大量用户数据的情况会影响推荐结果的准确性,以及如何使推荐结果多样化等。针对以上问题,本文提出了基于深度学习的论文推荐模型,主要研究内容如下:首先,本文提出一种基于协同知识图的残差自注意力机制模型（Self-attention and Residual mechanism hybrid model based on Collaborative Knowledge Graph,CKGSR）。该模型利用Bi-LSTM网络得到全面的论文表示;为了得到更深层次的用户阅读偏好,采用残差自注意力机制的方法,对用户的邻域节点进行加权运算;利用双交互聚合方式对用户的邻域特征表示进行融合,并使用多层感知器对用户与论文之间的相关性进行分析计算,最终得出了相应的推荐结果。这种方法能够衡量出用户对不同论文的偏好,从而实现对用户的个性化推荐,并增强推荐的可解释性。其次,将图卷积神经网络应用到CKGSR中,提出一种基于CKGSR的图卷积网络模型（Graph Convolutional Network model based on CKGSR,CKGSRN）,实现了CKG中的节点和关系的加权高阶传播与聚合,最后形成新节点向量,该节点包含图中的邻域知识信息。新的节点包括了用户的潜在偏好、论文的潜在属性等,从而在保证获得全面的用户和论文特征的同时,还有助于提升推荐的多样性。最后,在以上模型的基础上,为了寻找最优的推荐策略,提出一种融合协同知识图与图卷积神经网络的深度Q网络模型（Deep Q Network model based on Collaborative Knowledge Graph and Graph Convolutional Network,CKGND）。该模型利用初始价值模块,对推荐系统进行强化训练然后进行初始化,降低了早期的冷启动对用户的影响;引入深度Q网络,通过对各模块进行训练,以做出策略最优解。这种方法能够有效提高推荐系统中用户的体验。通过在Cite ULike-a和Cite ULike-t数据集上进行对比实验,发现本文提出的模型能够在HR、NDCG和MRR指标值上,比基于协同过滤、知识图谱和强化学习等经典推荐模型表现更好。