学术论文作为科研人员重要的学术资源之一,在整个科学研究过程起着至关重要的作用。进入互联网时代后,每天都有大量学术论文被发表出来,学术论文迎来了爆发式增长,用户面临着日益严重的“论文信息过载”问题。针对这个问题,有研究者提出了学术论文推荐服务。学术论文推荐被认为是缓解“论文信息过载”的有效途径之一,可以为用户提供个性化论文推荐服务,提高科研用户效率。然而,传统学术论文推荐方法在不同程度呈现一些弊端,无法生成令人满意的推荐结果,亟待一种技术可以改进传统学术论文推荐方法,提升论文推荐效果和用户满意度。深度学习技术作为机器学习的一个分支,近些年在自然语言处理、图像识别、语音合成等领域取得巨大进展,受到了众多研究者的关注。在此背景下,若能将深度学习技术融入学术论文推荐场景,势必可以有效提升学术论文推荐效果。本文针对上述问题,展开了相关研究,主要的工作内容总结如下:(1)通过文献梳理了当下学术论文推荐研究现状,发现传统推荐方法普遍存在冷启动和数据稀疏问题,无法有效预测用户隐性评分,这将是本文的主要研究问题;随后,梳理了推荐系统中常用的推荐方法、评估指标;(2)本文基于前人研究基础,设计并构建了一个基于深度学习的学术论文混合推荐模型NHPR(Neural Hybrid Paper Recommending)。该模型将传统混合推荐与深度学习中的循环神经网络进行融合,可以有效捕捉论文标题和摘要中的序列信息,生成健壮的论文项目隐向量,提高用户隐性评分预测的准确率;(3)基于PyTorch框架实现了NHPR模型,并在实验数据集进行了模型验证。实验结果表明,相比较传统的MF模型,本文提出的NHPR模型在citeulike-a和citeulike-t数据集的RMSE错误率分别降低26.83%和46.89%;此外,为了展示模型的实际推荐效果,本文还做了面向随机用户的论文推荐分析,取得了比较满意的效果。