推荐系统是一种利用用户与产品之间的相互关系以及相关信息为用户进行个性化推荐的系统。最早出现于二十世纪九十年代中期,用于为用户进行USENET上的新闻推荐。随着逐步的发展成熟,目前推荐技术已经在人们生活的许多方面被采用,特别是在电子商务和在线社交网络领域上。　　 随着科学研究工作成果的爆炸性积累,对于大学和研究院所的研究人员来说,尽快的找到他们相关领域的重要的学术论文这样一件非常重要的事情变得越来越困难和耗时。学术论文推荐系统能够帮助这些研究者节省时间,尽快的找到最有用的相关论文。目前学术论文的推荐技术受到的关注非常少,相关的研究活动不多,现有的论文推荐方法主要有传统的基于用户之间相似喜好的,也有基于学术论文之间的引用关系的,这些工作都没有对论文本身的主题信息进行挖掘和利用。　　 本文利用David Blei等人提出的主题模型以及相关的算法对论文自身的主题信息进行了分析,提出了论文之间的主题相似度定义,然后将此定义引入到用户对论文喜好的评价模型中,从而提出了一种新的论文推荐方法。当用户只评价了很少的论文的情况下,与基于用户相似喜好的推荐方法相比,本文提出的推荐方法能够给出更加满意的推荐。实验验证了本文提出的推荐方法的有效性。　　 本文在文末指出了利用主题模型对学术论文推荐系统可以展开的更多的工作,并指出了基于本文的论文推荐方法的进一步的扩展方向。