學術文章推薦是近年來熱門的研究議題，過往針對學術文章推薦研究上，普遍利用學術文章內的屬性資料，如：標題、摘要、關鍵字、作者名稱以及參考文獻標題等進行推薦。然而除了上述的「內部資訊」外，學術文章中亦包含其他與該研究相關的「外部資訊」，像是參考文獻摘要及具相同社會性標籤（Social tagging）之文件等。藉由分析外部資訊，應能有助於取得與原始學術文章相關之其他研究主題的關鍵字詞，進而推薦更符合學術研究需求的文章。本研究同時考量使用者喜好文章之內、外部資訊，包括標題、摘要、關鍵字、參考文獻標題、參考文獻文章內容、社會性標籤、以及具相同社會性標籤文章內容，並以內容導向式推薦方法為基礎來建構推薦系統。此外由於不同文章屬性應具有不同程度的重要性，本研究進一步運用層級分析法（Analytic Hierarchy Process）制定出各個文章屬性之權重值，用以對文章之各個屬性相似度進行加權運算，並產生最終之推薦清單。本研究最後以實驗方式進行推薦效能評估，並以不同屬性組合之推薦方法做為評估比較基準。實驗結果顯示，在本研究採用之成對比較法（Pair Match）及命中率 （Hit Rate）兩個評量指標下，本研究提出的推薦方法相較於傳統僅考慮內部資訊之推薦方法，能有較高之推薦命中率，且在文章推薦排序上能有更顯著地改善，亦即將使用者喜好程度較高之文章給予優先的推薦順位，說明本研究之學術文章推薦方法具有較佳的推薦效果。