传统的推荐模型主要根据用户偏好等信息,向用户推荐其可能需要的项目,在缓解“信息过载”问题上起到重要的作用,被广泛应用于各个领域,备受广大研究者关注。随着社交网络的快速发展,以及社交与各类应用的深度整合,结合社交信息的推荐模型是目前推荐研究领域较为活跃的研究方向之一,通过社交网络获得丰富的社交信息,将社交信息融入到传统的推荐模型中,预测未知项目评分生成推荐结果,极大地缓解传统推荐模型存在的数据稀疏性和冷启动等问题。但是,大多数现有结合社交信息的推荐模型存在以下问题:1、仅考虑社交网络中的单一社交关系类型,未能同时考虑社交网络中其他不同类型的对象以及对象间的关系,比如项目节点、项目与其属性的所属关系等;2、通常将每个用户投影到空间中的一个点上,不足以正确地建模隐式反馈中用户-项目关系的强度和不同节点类型间关系的异质性,以致两者不能有效地结合达到双向交互效果。此外,由于社交网络大多数都是稀疏的,社交信息虽然是对评分数据的补充,大多数也是稀疏的,需要同时考虑社交信息数据与评分数据的双重稀疏性。本文针对上述问题展开研究,充分挖掘和有效利用社交网络中丰富的社交信息,进而提高推荐性能,主要工作如下:（1）针对评分数据和社交信息数据的双重稀疏性问题。提出基于度量学习和网络表示学习的推荐模型（A Social Recommendation Based on Metric Learning and Network Embedding,SRMN）。通过矩阵分解与度量学习的结合来捕捉用户行为习惯,使推荐结果更加可靠以及更具有解释性;采用网络表示学习从社交网络中获得用户社交表示,有效地挖掘和利用用户社交网络中的隐含信息;通过用户社交嵌入表示和项目潜在特征向量产生交互,用交互反映用户偏好;结合两种用户偏好,使评分数据和社交信息数据充分地结合,达到挖掘用户偏好最大化的目标,缓解评分数据和社交信息数据的双重稀疏性,提高推荐性能。在三个真实的数据集上进行对比实验,结果表明,SRMN模型在双重稀疏的数据集上具有更好的推荐性能。（2）社交网络中不仅存在单一用户社交关系类型,还存在多种不同类型的对象以及对象间的关系等,考虑多种关系类型可以更准确地确定用户偏好。对此,提出基于异质信息网络的推荐模型（A Social Recommendation Based on Heterogeneous Information Network,SRHM）。利用异质信息网络表示学习抽取和利用异质信息网络中有效的信息;构造用户-项目的关系向量,实现用户一对多的映射可以被看作一对一的映射,引入度量学习改善点积作为评分函数的局限性,采用欧氏距离衡量偏好,有效地建模隐式反馈中用户-项目关系的强度和异质性,达到充分挖掘用户和项目在社交网络中的异质信息的目的,提高推荐性能。在三个真实的数据集上进行对比实验,结果表明,SRHM模型具有更好的推荐性能。