随着科学水平的不断提升,多学科交叉汇聚与多技术跨界融合成为常态。重大技术难题的攻克和理论创新需要多个领域的学者共同合作完成。在浩如烟海的学术信息中如何快速匹配出与自身研究兴趣相近、科研水平相当的合作者成为了学者合作的关键问题。然而,在学术领域学者个人属性信息具有多样性、动态性、学术网络具有稀疏性等问题,致使传统的推荐算法已无法满足学术合作的个性化推荐。因此,本文使用社团划分技术和网络表示学习算法解决合作者推荐问题,通过融合多种学术特征,提出了一种基于多学术因子的合作者推荐模型,提高了个性化推荐的精确度。主要研究内容如下:（1）学术网络模型的构建。针对学术合作模式和学者信息属性多维度问题,构建了基于“学者-论文”的科研合著网络和基于“学者-关键字”的研究兴趣网络,并从复杂网络科学的角度进行分析,发现学术网络具有明显的“小世界”现象,同时学者研究兴趣列表长度与研究兴趣网络的平均聚类系数呈负相关。（2）学术合作信任区的构建。针对学术合作网络具有社团结构,学者们倾向于选择和社团内部的学者合作,从而形成学者合作信任区。为了提高学术信任区划分精度,提出了一种基于链路优化的社团划分算法,预先对链路节点相似度进行预估,通过删减小于标定相似度阈值的冗余链路优化网络结构,利用算法挖掘出了学术网络中的潜在社团结构,精准的定位了学者的合作信任区。（3）合作者推荐模型的构建。首先,利用链路优化社团划分算法获得学者的合作信任区和兴趣信任区;其次,利用Node2vec算法提取两种学术信任区中学者的特征向量即Collaborate2vec和Interest2vec,并将两种学术向量进行融合,以融合向量间的相似性表征学者间的合作可能性;最后,通过计算合作信任区内学者之间的相似度并结合学者学术影响力,为目标学者生成具有合作潜力的推荐列表。结合现实场景的推荐结果表明,该模型具有较好的推荐效果和应用性。（4）学术搜索引擎的设计与实现。将合作者推荐模型应用到学术搜索平台中,为科研人员提供更为全面的学术服务,进而验证了该推荐模型的实用价值。