如何高效检索信息是当下的一个热点问题,人们往往面临海量数据却难以获得自己想要的数据,因此推荐系统在如今备受关注。对于高校教师这一特殊群体,由于其圈子具有一定的独立性与封闭性,外界人士很难获取到该群体的有效信息,这意味着不同于商业公司应用的商品推荐与社交推荐,要想把高校教师精准推荐给需要的人群,如学生、企业等,是有一定困难的。传统的推荐算法并不适用于高校教师推荐且难以取得较好的效果,这意味着该场景下的推荐有很大的提升空间。在此背景下,本文通过研究个性化推荐算法,对传统推荐算法进行改进。基于问题场景与数据的特殊性,围绕文本处理技术与网络挖掘技术,结合多种特征对数据实体进行建模,提出了一种针对教师推荐的特征学习算法FLTR4Rec,从而实现将高校教师精准推荐给需要的人。本文在真实抓取的数据集上验证了算法的有效性,并且最后基于该算法实现了一个教师推荐系统。论文的主要内容如下:(1)在对文本信息的处理中,针对该场景中数据包含大量专有名词的性质,本文在提取中文文本特征方面进行了研究。考虑到分词的难度,本文放弃使用传统的分词+词向量的策略,直接学习字符粒度的文本向量,通过引入百度百科的外部语料库,预训练得到细粒度字向量特征,并通过sanity check与可视化的方法检查了字向量的质量。(2)该课题场景下的数据不仅包含文本,而且包含实体间的合作关系,本文引入了异构信息网络对数据进行建模,并使用超边采样与自编码器对数据中的关系进行处理和特征提取。通过使用网络挖掘的相关技术,能顺利提取到数据中的网络特征。(3)基于文本特征与网络特征,提出了一种可用于推荐场景的多特征学习算法FLTR4Rec。利用神经网络强大的学习能力,该算法使用一个实体间关系预测任务来学习数据中每一个对象的文本特征与网络特征,并能够自动将两种特征进行融合。在真实数据上的实验表明,FLTR4Rec在教师推荐场景下的效果要优于传统推荐算法与单特征学习算法。(4)基于FLTR4Rec算法实现了一个高校教师推荐系统,该系统主要使用Django来实现,具有信息展示、教师推荐与数据管理的功能,可以针对学生、企业、教师三种人群分别进行教师推荐。