The rapidly increasing number of newly published scientific publications put scholars and researchers against the challenge of staying up to date and well informed about new findings in their domains. Recent studies showed that there are more than one hundred thousand new papers in computer science are published each year, and there are three times more papers published in 2010 than in 2000. Recommender systems (RS) have lately gained considerable attention as a powerful tool for providing personalized scientific paper recommendations. Owing to their capability of modeling the user's interests and exploring the online archives for relevant papers, RS are the natural fit for this scenario. Various approaches from existing RS methods have been explored and successfully applied for scientific paper recommendation ranging from Content-Based Filtering (CBF) to Collaborative Filtering (CF) and hybrid approaches. In this thesis, we investigate suitable approaches for recommending scientific publications. Among the challenges that face recommender systems for scientific publications is the high sparsity in users-items relation driven by the large number of papers relative to the much lower number of users, known as the high sparsity in the rating matrix. Because of this high sparsity, which is a major obstacle against CF methods, the focus of existing works has been on CBF approaches. Within these approaches, constructing user's profile is mainly achieved based on memory-based or heuristic-based methods. Memory-based methods construct the user profile by applying an aggregation function over the feature vectors of relevant papers. Such methods depend strongly on the underlying assumption related to the employed aggregation method. On the contrary, model-based approaches, since they rely on a learning algorithm, have the potential to build more representative user models. However, model-based approaches didn't gain much attention as a solution for scientific publication recommendation due to the following problems: (a) the low number of ratings available per user, which corresponds to low number of training instances; (b) the available ratings are positive-only ratings, which gives rise to the one-class problem; and (c) the high cost related to training and maintaining a separate model for each user in the system. On the other hand, the temporal aspect of the system adds extra challenges considering the drifting interests of the users. Users' interests change over time, as a result, old ratings do not hold the same importance for the recommender system as the recent ones. Therefore, not all available ratings (which are already few) can be beneficial for learning the recommendation model. This aspect adds more complications to the previously mentioned challenges. In this thesis, we focus on these issues, which we summarize in the following two challenges: the one-class problem and the concept drift in user's interest. Based on our survey on the related literature, we found out that these issues didn't gain enough attention among the works that developed recommender systems for scientific recommendations. Thus, we investigate in this thesis the adaptation of different ideas from several domains such as machine learning and information retrieval to design useful recommender systems for scientific publications. The contribution of this work can be grouped into four parts: First, we introduce a literature survey exploring the latest related works. The goal of this survey is twofold: first, to identify successful and promising existing recommendation approaches for scientific publications and second, to investigate which works addressed our targeted challenges in this thesis. Second, we address the one-class problem and present two model-based content-based recommendation approaches. In the first solution, we model the problem as a linear regression model and train a supervised model for each user. In the second solution, we investigate the application of pairwise preference learning for content-based filtering and present an approach based on pairwise learning-to-rank. % In our work, we suggest two methods that can alleviate the problem of one class and show that despite the one-class problem, model-based approaches can be successfully applied and generate better recommendation results. We also address the efficiency problem of one-class methods. Third, we address the efficiency problem of our model-based recommender and present a system design that builds on the widely known Apache Spark cluster management framework. Our presented system allows efficient computation of multi-models (one model per user) on a cluster of machines. In the last part of this work, we focus on the concept drift in user's interest aspect. We first study the presence of concept drift in a real-world dataset and then, we present a time-aware recommender system that accounts for the concept drift in user's interest. ; Die rasant wachsende Anzahl neu erscheinender wissenschaftlicher Publikationen stellt Wissenschaftler vor die Herausforderung sich kontinuierlich über neue Erkenntnisse in ihrem Forschungsbereich zu informieren. Neuere Studien zeigten, dass jedes Jahr mehr als hunderttausend neue Arbeiten in der Informatik veröffentlicht werden, und zwischen den Jahren 2000 und 2010 stieg die Anzahl veröffentlicher Arbeiten auf das Dreifache an. Empfehlungssysteme haben in letzter Zeit viel Aufmerksamkeit als leistungsstarkes Werkzeug zur Erstellung einer personalisierten Empfehlung für wissenschaftliche Arbeiten erlangt. Aufgrund der Fähigkeit, Interessen von Benutzern zu modellieren und Online-Archieve nach relevanten Artikeln zu durchsuchen, sind die Empfehlungssysteme die ideale Lösung für dieses Szenario. Verschiedene Ansätze aus bestehenden Empfehlungssysteme wurden bereits erforscht und erfolgreich für die Empfehlung wissenschaftlicher Arbeiten angewendet, die von Content-Based Filtering (CBF) über Collaborative Filtering (CF) bis hin zu hybriden Ansätzen reichen. Wir untersuchen in dieser Arbeit geeignete Ansätze zur Empfehlung wissenschaftlicher Publikationen. Die Empfehlungssysteme für wissenschaftliche Publikationen stehen vor mehreren Herausforderungen. Zu diesen Herausforderungen gehört die hohe Spärlichkeit zwischen Benutzern und Artikeln, die durch die große Anzahl von Artikeln im Vergleich zu der viel geringeren Anzahl von Benutzern verursacht wird. Ein Problem, das als die hohe Spärlichkeit in der Bewertungsmatrix bekannt ist. Da diese hohe Spärlichkeit der Bewertungsmatrix ein Problem für CF-Methoden darstellt, lag der Schwerpunkt der bestehenden Arbeiten auf CBF-Ansätzen. Diese Ansätze lösen die Erstellung von Benutzerprofile hauptsächlich auf Grundlage speicherbasierter oder heuristischer Methoden. Das speicherbasierte Verfahren konstruiert das Benutzerprofil, indem es eine Aggregationsfunktion über die Feature-Vektoren relevanter Artikel anwendet. Solche Methoden hängen stark von der zugrunde liegenden Annahme in Bezug auf die verwendete Aggregationsmethode ab. Anders als speicherbasierte Verfahren, haben modellbasierte Ansätze das Potenzial repräsentativere Nutzermodelle aufzubauen, da sie auf einem Lernalgorithmus basieren. Allerdings sie fanden als Lösung für die Empfehlung wissenschaftlicher Publikationen aufgrund der folgenden Probleme nicht viel Beachtung: (a) die geringe Anzahl der verfügbaren Ratings pro Benutzer, was einer geringen Anzahl von Trainingsinstanzen entspricht; (b) die verfügbaren Ratings sind nur positive Ratings, was zu dem Einklassenproblem führt; und (c) die hohen Kosten für das Lernen und Aktualisieren eines individuellen Modells für jeden Benutzer im System. % Zeitliche Aspekte Andererseits spiegelt sich der zeitliche Aspekt des Systems deutlich in dem sich ständig ändernden Interesse der Nutzer wider. Die Interessen der Nutzer ändern sich im Laufe der Zeit, so dass alte Ratings für das Empfehlungssystem nicht die gleiche Bedeutung haben wie die neusten. Daher können nicht alle verfügbaren Ratings (die bereits wenige sind) für das Erlernen des Empfehlungsmodells verwendet werden. Dieser Aspekt fügt weitere Komplikationen zu dem zuvor erwähnten Problem hinzu. In dieser Arbeit beschäftigen wir uns mit diesen Themen. Wir fassen sie in den folgenden zwei Herausforderungen zusammen: das Einklassenproblem und die Konzeptverschiebung im Interesse der Benutzer. Basierend auf unserer strukturierten Literaturstudie fanden wir heraus, dass diese Fragen bei den Arbeiten, die Empfehlungssysteme für wissenschaftliche Empfehlungen entwickelten, nicht genügend Beachtung fanden. In Rahmen dieser Arbeit untersuchen wir deshalb die Anwendung und Erweiterung von Methoden aus verschiedenen Bereichen wie Maschinelles Lernen und Information Retrieval, um nützliche Empfehlungssysteme für wissenschaftliche Publikationen zu entwickeln. Der Beitrag dieser Arbeit lässt sich in vier Teile gliedern: Zuerst stellen wir eine Literaturstudie vor, die die verwandten Arbeiten untersucht. Das Ziel dieser Literaturübersicht ist Zweifach: Einerseits, erfolgreiche und vielversprechende bestehende Empfehlungsansätze für wissenschaftliche Publikationen zu identifizieren und andererseits, zu untersuchen, welche Arbeiten sich mit unseren zielgerichteten Herausforderungen befassen. Zweitens gehen wir auf das Einklassenproblem ein und präsentieren zwei modellbasierte inhaltsbasierte Ansätze. In der ersten Lösung modellieren wir das Problem als lineares Regressionsmodell und trainieren ein überwachtes Modell für jeden Benutzer. In der zweiten Lösung untersuchen wir die Anwendung des Pairwise preference Learning für die inhaltsbasierte Filterung und präsentieren einen Ansatz, der auf dem Pairwise Learning-to-rank basiert. % In unserer Arbeit schlagen wir zwei Methoden vor, die das Problem einer Klasse lindern können und zeigen, dass trotz des Einklassenproblems modellbasierte Ansätze erfolgreich angewendet werden können und bessere Empfehlungsergebnisse erzielen. Wir gehen auch auf das Effizienzproblem von Einklassenmethoden ein. Drittens gehen wir auf das Effizienzproblem unseres modellbasierten Empfehlungssystems ein und präsentieren ein Systemdesign, das auf dem weit verbreiteten Apache Spark Cluster Management Framework aufbaut. Unser vorgestelltes System ermöglicht die effiziente Berechnung von Multi-Modellen auf einem Cluster von Maschinen. Im letzten Teil dieser Arbeit konzentrieren wir uns auf das Problem der Konzeptverschiebung von Benutzerinteressen. Wir untersuchen zunächst das Vorkommen von Konzeptverschiebungen in realen Datensätzen und präsentieren dann ein zeitbewusstes Empfehlungssystem, das die Konzeptverschiebung von Benutzerinteressen berücksichtigt.