随着每年硕博毕业生的爆炸性增长,初级研究人员在学术科研机构中寻找合适工作的问题上出现了前所未有的挑战。本文旨在了解研究主题的演化和学者更换科研机构的行为模式,从而充分利用学术网络中的信息为硕博毕业生推荐适合升学和就业的学术研究机构。本文在学术引用网络中研究了新兴学术研究主题的演化和发现,进一步在学术合作网络中分析了学者更换科研机构的行为模式。（1）本文从人工智能的角度对新兴科学研究主题的持续演化进行了研究和可视化。通过采用LDA（Latent Dirichlet Allocation）模型,本文对学术引用行为、研究主题演化和两者内在互动关联进行了剖析。本文还提出创新论文的概念,并提供发现新兴研究主题下的创新论文以帮助学者跟进学术潮流。本文中研究主题的分析和发现为机构推荐任务中的学者属性特征提取提供基础。（2）本文设计了一个深度学习模型来预测早期研究人员的职业流动并提供推荐建议。该设计建立在学术网络之上,该网络包含了学者和机构之间丰富的科学合作信息和学者的研究主题演化信息。本文构建了一个异质性的学术网络,以促进对学者职业流动行为的探索并在此之上为学者推荐合适的科研机构。本文设计了一个无监督学习的模型,称为HAI（Heterogeneous graph Attention Info Max）,该模型聚合了注意力信息和互信息用于机构推荐。此外,本文还提出了节点注意力和元路径注意力机制,以发现几个元路径之间的隐藏关系。通过这些机制,HAI提供了具有可解释性的推荐结果。本文在一个真实世界的数据集上对HAI进行了评估,实验结果表明本文方法在机构推荐上的AUC值可达到0.89并且给出可解释案例分析。本文的两项研究分析了研究主题的演化模式和学者更换科研机构的行为模式,为硕博毕业生的学术就业提供一种可靠的解决方案。