随着互联网的飞速发展,人们对科技文献的获取方式发生了根本性改变。目前通过网络获取、阅读文献已经成为主流,为了推动科研成果的传播和利用,开放存取(Open Access)在这一背景下应景而生。开放存取的核心特征是在尊重作者权益的前提下,利用互联网为用户免费提供学术信息和研究成果的全文服务。本文工作基于在研的国家自然科学基金委开放存取科研数据平台项目,该项目拟研发的开放存取系统能够有效缓解当前国内科研文献数据的获取困难,有助于提升政府和科研机构在大数据时代对科研数据的管理能力。针对国家自然科学基金委源数据库中论文元数据格式不规范、属性错误、缺失等问题,本文构建了一个基于多数据源的数据获取和处理组件,从多个权威的科研论文数据源获取了约800万篇科研论文,并对论文元数据进行了系统地清洗、补全和去重,建立了海量学术论文数据库。学术论文是一种严谨的科技类文献且包含丰富的信息,合理利用论文数据可以有效地实现分析专家研究领域和兴趣、计算专家之间的科研领域相似度进而推荐相似专家等功能。基于在研项目的实际系统功能需求和所构建的大规模论文数据库,本文提出了一种基于主题模型的科研兴趣标签提取方法,该方法根据专家各自的论文集合,分析其论文的主题分布,配合主题在词语上的概率分布,找出对专家论文中贡献最大的词语作为科研兴趣标签,并与基于TF-IDF的标签提取方法做了对比。本文还提出了一种基于词向量模型的专家科研相似度计算方法,该方法利用主题模型生成的专家科研标签,通过计算标签关键词词向量之间的距离,进而获得专家之间的科研领域相似度。该相似度用于相似专家的推荐。实验表明,使用词向量的方法计算专家相似度可以很好地反映专家研究领域、研究方向之间的相似性和相关性。