近些年,学术不端等事件层出不穷,引发全社会对学术诚信和同行评议等问题的思考。同行评议作为评审过程科学化、民主化的重要手段,在选取优秀成果、优化资源配置、把握科研方向和人才选拔等方面发挥了重要作用,但如何组织高质量的同行评议工作却遇到了多方面的挑战。目前,评审专家的遴选目前主要依靠编辑部主观判断,不仅仅浪费了其工作时间,还存在很多隐患。基于此,本文通过用户画像和推荐系统等相关技术,设计更加有效的同行评审专家推荐方法,从而为改善同行评议组织效率,提升“供需”双方满意度,净化学术环境,优化学术资源配置提供理论与方法支持。首先,设计了专家的用户画像模型,从人口统计学属性、学术领域标签、社会关系标签、审稿行为标签四个维度进行专家画像,对专家进行“打标签”,设计每个维度的计算方法赋予不同标签相应的权重以及标签的相关关联值,并利用生产与库存管理的相关方法对画像进行后续的更新,建立动态的专家画像模型。其次,通过深入研究推荐算法,提出了基于用户画像的协同过滤推荐,将专家和评审对象不同学术标签权重作为评分矩阵的参考因素进行相似度计算,同时计算标签偏好量并构建一个基于标签偏好量的评分矩阵计算其相似度,最后将两种相似度计算通过可调剂的参数进行线性混合,对协同过滤推荐算法进行改进。此外,针对数据稀疏性等问题,采用了SVD算法进行优化,从而设计更加有效的基于用户画像的同行评审专家推荐方法。通过在网络上爬取大量的专家和论文数据,建立小型的评审专家库,并对本文提出的推荐方法进行验证。实验结果表明,经本文改进后的推荐算法能够有效地进行专家推荐,在精确率,召回率和综合评价指标等方面有显著提高。