认知科学是一个探究信息在人脑中表示和转换的前沿性尖端学科。作为当前科学研究的热点，大量的相关科技文献被公开发表。在Pubmed上检索关键词cognitive，返回的文献数量达到287754篇。爆炸式增长的文献数量所带来的信息过载问题，使得科研人员难以快速找到真正需要的文献，个性化文献推荐成为一项非常有价值的研究工作。认知科学也是一门高度交叉的学科，其研究内容涉及心理学、人工智能、哲学、社会学等多个研究领域，采用行为实验、脑成像、计算建模、各种神经生物学方法等多样化的研究手段。高度的学科融合带来“知识过载”，导致认知科学领域文献具有术语更新快、跨领域词义多样化、词形结构复杂、平台开放难以获取用户个人信息及历史行为等特性，使得传统基于内容和基于协同过滤的推荐方法难以有效发挥作用。当然，认知科学领域仍有一些优点，比如外部数据集丰富，这就为推荐方法提供了一定的研究基础。　　针对上述情况，本文对现有外部数据集进行丰富整合，融合时间遗忘曲线、激活扩散理论等技术并结合两种相似性计算方法，提出了一种面向认知科学领域的知识驱动的科技文献推荐方法，取得了以下研究成果:　　1.构建基于“概念网格-概念词簇-背景知识库”的多维认知知识图谱，从近义词以及背景知识角度，完善现有数据脑本体以解决术语跨领域性导致的一词多义问题。　　2.提出了一种基于知识驱动的建模方法，在改进的知识图谱基础上，引入时间遗忘曲线与改进的激活扩散理论对用户知识进行建模，并融合主题的背景事实，进行文献建模。该方法的提出能够有效解决传统文献推荐方法主题间语义关系缺失、生僻术语导致数据稀疏等问题，从而有效提升用户和文献建模的准确性，为实现个性化的文献推荐奠定模型基础。　　3.融合知识相关度和知识距离，提出了基于知识图谱的相似性计算方法。与传统基于向量空间模型中的余弦相似性计算方法相比，该方法对模型维度没有强制性匹配的要求，能进一步缓解数据稀疏性问题。此外，本文提出的方法丰富了推荐结果，解决传统推荐结果过于单一的问题，兼顾共性和差异性，提升了推荐结果的准确性和拓展性。