随着开放获取在科研领域的发展,科研工作者们越来越习惯通过网络来进行文献获取和学术交流。如何在科研文献数量呈现爆炸式增长的情况下,为用户提供方便快捷的论文获取方式,成为了新的科研环境下开放获取系统面临的巨大挑战。论文推荐和专家推荐功能的引入能够为用户的论文发现和专家发现提供新的途径。传统的推荐方法多是以基于内容的算法为主,而随着开放获取系统的发展,加入对收集的用户行为数据的分析必将能增强系统的推荐效果。在这种情况下,传统单一的推荐算法将无法满足越来越多样化的用户需求,需要针对科研文献开放获取系统的独特应用场景进行创新和改进。本文在对传统推荐算法进行了充分研究的基础上,提出了一种将基于协同过滤的推荐算法与基于内容的推荐算法结合的混合论文推荐算法。算法首先使用词向量进行了论文内容的比较,然后使用最近邻模型进行用户行为的比较,最后将论文内容以及用户行为对推荐结果的影响进行了综合考虑,以得到最终的推荐结果。在论文推荐的基础上,我们又研究实现了专家推荐算法,通过对专家间论文内容相似度的比较,来进行专家相似度的计算以及相关专家的推荐。为了验证本文算法的有效性,我们在公开数据集上将该混合算法与多种传统推荐算法进行了对比,结果证明混合推荐算法在多种情况下都能有稳定良好的表现,且与对比算法相比推荐效果有所提升。另外,我们在基金委开放获取系统中设计并实现了论文推荐和专家推荐的功能,其实现所采用的方法是基于本文算法的部分内容,最后还实现了系统中论文成果录入的功能,经测试系统运行效果良好。