学术研究和数字图书馆的快速发展导致网络上学术论文急剧增多,如何为学者们提供个性化的论文推荐服务成为了数据挖掘领域的研究热点。本文基于深度学习技术从增强论文和用户特征两个角度展开研究,通过在协同过滤推荐算法中融合论文和用户的深层特征改善学术论文的推荐效果。具体的研究工作如下:(1)在提取普通文本特征的深度学习网络基础上,结合学术论文的特点,设计并构建了一个基于层级注意力的论文内容深层特征提取网络。针对摘要精简且完整的特点,将其作为网络模型的主要输入数据,分别借助BERT和循环神经网络获取句子特征和段落特征;根据关键词和标题携带的论文关键信息,分别构建词语级别和句子级别的注意力模型,提取摘要中的深层特征,对论文内容准确建模,为学术论文推荐奠定基础。(2)针对协同过滤推荐中由于评分数据稀疏导致论文特征学习不准确的问题,提出了论文内容和PMF协同学习的学术论文推荐模型HAN-PMF以及相应的多任务学习模型。首先,采用本文构建的基于层级注意力的论文内容深层特征提取网络对PMF中的论文潜在特征向量进行增强,使其同时从用户评分矩阵和论文内容中学习论文特征;然后,在学术论文推荐任务上增加论文标签预测任务训练模型,借助标签信息进一步优化论文表示。相关实验验证了该模型的推荐效果优于当前同类模型。(3)评分数据稀疏也导致协同过滤推荐算法对用户特征学习不准确的问题。针对这一问题,提出了用户兴趣和HAN-PMF协同学习的学术论文推荐模型UPPMF和对应的多任务学习模型。首先,构建了基于自注意力机制的用户兴趣模型,从用户阅读过的论文内容中获取用户兴趣;然后,使用该模型约束HAN-PMF中的用户潜在特征向量,得到更准确的用户深层特征表示。最后,通过增加标签预测任务,实现了相应的多任务学习模型。对比实验的结果表明该模型取得了优于当前同类推荐模型的效果。