网络技术的发展拓宽了交流合作的方式,使科研线上交流合作成为可能。科研人员可通过虚拟社区进行成果共享、话题讨论等活动,这极大促进了虚拟学术社区的科研合作交流。推荐算法通过分析用户历史信息主动为用户提供信息服务,能有效缓解虚拟学术社区的信息过载问题。当前研究主要关注论文、科研信息等的推送,忽略了科研人员交流合作的需要。用户画像的优势在于可以精准刻画科研人员的需求特征,构建科研人员动态画像有利于深度挖掘科研人员的合作需求。因此,将用户画像应用到虚拟学术社区合作推荐具有一定的研究意义。首先,论文前两章系统归纳了用户画像和经典推荐算法相关研究成果,分析了现有研究的不足,提出了相应的解决方法,并对本研究涉及到的相关理论进行了详细介绍。其次,确定了科研人员动态画像的数据类型、数据来源以及构建流程,明确了科研人员动态画像的标签设计原则,构建了用户自然属性标签、学术标签以及动态合作动态画像标签体系,并提出相关画像的标签提取和计算方法。再次,在动态画像模型的基础上提出了合作推荐亟需解决的关键问题,通过兴趣主题过滤消除弱主题对研究兴趣的影响,加入时间偏置度构建动态兴趣,以此计算动态兴趣相似度,基于合作关系的传递性进行合作关系拓展,计算拓展关系值,融合指标权重给出推荐得分。最后,获取虚拟学术社区百度学术数据进行参数验证,并与基于内容的推荐算法、基于用户的协同过滤算法和基于信任的推荐算法进行实证对比,实证结果显示,本文所提出的算法在精准度、召回率与F1值上都取得了更优的推荐效果,证明了本文模型的有效性。