近年来学术领域的研究得到了各方支持,大量的研究成果不断涌现,快速有效地对学术资源进行分类显得尤为重要。然而相较于一般的独立文本分析,学术资源具有信息来源广泛,信息发布自由以及种类繁多的特点。而知识图谱可以统一不同数据来源的结构,能有效的整合资源,对信息进行组织和管理。本文在构建图谱时不仅仅考虑科研成果的语义信息,并且对图谱中的关系信息进行挖掘。从分类的角度出发,本文提出了基于图注意力的学术资源分类模型,并基于此构建了学者图谱,从而提高了资源分类的准确性和学者图谱的实用性。具体研究工作主要包括以下方面:第一,提出基于资源关联特征和内容属性的图注意力模型（ACGAT）实现学术资源的分类。将语义关联性和学术关联性引入模型。在资源关联特性维度上,一方面该模型挖掘学术资源节点之间的关联共通性,通过减少现有的图注意力网络中孤立节点的存在来提高网络的聚合性。另一方面计算该节点的影响力信息,在一定程度上增强了学术资源节点对网络的正面作用。在内容属性维度上,模型提取学术资源的文本语义,挖掘节点的语义相似性,丰富了资源节点的内容表达。ACGAT模型最终利用注意力机制对节点的特征进行聚合更新,从而提高学术资源分类的准确性。第二,基于学术资源分类结果,进一步构建学者图谱。提出了学者图谱的形式化定义,图谱中的节点代表学者实体,节点间的连接边代表学者间的关系。构建的学者画像主要包含了三个维度:学者基本属性维度、研究兴趣维度、合作偏好维度。通过爬虫技术得到学者基本属性信息;利用LDA模型进行文本分析,并统计得到学者以自然年为单位的研究兴趣的动态变化趋势;对于实体间的关系,通过论文的引用、合作关系的解析,发现了实体间的直接引用关系、共引关系以及合作关系,并提出基于H值的多署名合作贡献度模型（MCCM＿H）来衡量学者合作贡献度,有助于挖掘学者间的合作偏好信息,从而构建丰富的学者图谱。第三,为了验证提出的基于图注意力的学术资源分类以及学者图谱的构建的可行性,本文在自建的数据集SIG和公开的数据集Cora、Citeseer中进行了实验分析。通过与其他模型的对比实验,验证了本文提出的基于资源关联特征和内容属性的图注意力模型（ACGAT）在学术资源分类方面的准确性,进而分析了基于资源分类的学者图谱构建的适用性和合理性。