互联网技术的飞速发展导致了信息的爆炸式增长,人们难以在海量的信息中及时准确地捕获自身所需要的部分,从而引发了“信息过载”问题。为了缓解这一问题,个性化推荐系统应运而生,它可以帮助人们发现和挖掘所需要或感兴趣的信息。早期的推荐算法大多只考虑了用户与项目(user-item)的二元关系,这可能导致推荐算法的推荐性能不佳。近年来,人们开始利用用户所处的环境和状态(如位置、时间等等,被称为上下文信息context information)或者用户和项目的属性描述(如用户的性别、项目的品牌等等,被称为侧信息side information)等辅助信息,来提高推荐算法的性能表现。本文通过对已有研究工作进行总结,发现现有算法主要存在以下问题:1)依赖于专家的人力工作来构造特征和选择特征;2)难以学习到真实世界中数据的非线性关系和复杂结构;3)依赖于深度神经网络模型,复杂度较高并且缺乏可解释性。针对上述问题,本文提出了一个适用于推荐任务的表征学习框架,可以有效地将辅助信息融入推荐过程:1)该框架采取了端到端(end-to-end)的结构,可以自动学习用户和项目的有效混合表征,无需人工构造和选择特征。2)该框架提出了一种N-way级联池化融合方法,该方法能够学习到真实世界中数据的非线性关系和复杂结构。3)该框架可以采取简洁的实现形式来融合辅助信息,并可以在不同的情境下根据实际需要设计实现方法,增强了模型的可解释性。本研究认为,不同类型的辅助信息具有不同的特点,推荐过程应该考虑到辅助信息自身的特点,这样才能有效地将它们融入推荐过程,增加模型的可解释性。本研究根据辅助信息类型的特点,提出了表征学习框架的两种不同实现方法——基于上下文信息的层次混合表征模型和基于侧信息的行为推断表征模型。对于前者,本研究认为用户的行为很大程度上取决于他们的一般偏好和所处的上下文环境,将在上下文情景下的表征学习框架实现为一种层次混合表征模型。该模型采取了两层结构的表征学习框架来学习用户相对于上下文环境的动态偏好:第一层将用户所处的上下文环境特征融合成上下文表征向量,第二层将用户的一般偏好向量和上下文表征向量相结合,来表示用户相对于上下文环境的动态偏好。对于后者,本研究认为用户和项目的侧信息有助于刻画用户的偏好和项目的特性。然而,用户和项目可能会对他(它)们的侧信息“撒谎”或“保持沉默”,导致“刻画”的失真或不足。为了解决这个问题,本研究利用异质信息网络中与行为有关的元路径来推断用户和项目的隐式画像信息,缓解这种“刻画”的失真或不足。本文将侧信息情景下的表征学习框架实现为一种基于行为推断的表征模型。该模型首先挖掘出用户和项目的隐式画像特征,然后通过推理模型将这些特征统一表征,最后输入表征学习框架来学习用户和项目有效的混合表征。本研究通过大量的实验发现:在大量真实世界数据集上,基于表征学习框架的实现模型表现均优于当前高水准的推荐算法。这表明:1)本文提出的推荐表征学习框架可以有效地探索到真实世界中数据的非线性关系和复杂结构,且不依赖于人工构造和选择特征。2)表征学习推荐框架可以将不同类型的辅助信息用以推荐过程,同时该框架可以根据辅助信息类型采取不同的实现形式,使得模型具有较强的解释性。