科研合作渐渐成为科学研究的主流方式,特别是跨领域的合作也已是解决重大科学问题的主要途径之一,而能否寻求到合适的合作者,成为科研领域乃至社会各界长期普遍关心的问题。在推荐领域,单一的推荐算法已不能满足人们的需求,本文将实现社会网络和主题概率模型相结合,以科技论文为源数据,首先采用加权GN(Girvan Newman)社区划分方法对作者进行社区划分,之后使用LDA模型构建作者-兴趣模型,再根据兴趣之间的相似度,达到合作者推荐的目的。首先,本文分析了传统的基于论文的加权GN网络,认为相关理论存在着对权重的利用不足,对网络结构的优化不够彻底,另外对结构的细节处理存在不同的理解等问题。针对这些问题,本文采用了对重复词频进行对数化处理后的数据作为边权重,对次佳边权比优化方法进行了阈值限制,并在计算模块度Q函数时忽略了节点自身的情况,最后在理论和实践方面验证,这些改进有效提高了社区划分的速度和准确度。其次,在LDA模型方面,通过两次实验对比,以困惑度为标准,找到了最佳超参数和最佳主题数,确保了作者-兴趣模型的可靠性。最后,采用JS(Jensen-Shannon)距离计算作者之间的相似性,得出合作者推荐列表,并根据论文作者官方网站提供的数据,得出推荐准确度,并与传统作者-兴趣模型进行了对比,证明了本文改进优化方案的有效性。