推荐系统以减少用户从海量数据中寻找自己感兴趣的信息所花费的时间和为不同用户实现个性化推荐为目的。文章推荐是推荐系统中一个重要的应用。现有的文章推荐模型在处理稀疏数据时仅仅通过简单地嵌入将高维数据转化为低维数据,因此在嵌入的过程中未能充分利用用户信息和文章信息,从而导致了模型推荐不够准确。因此,本文提出了一种基于图嵌入表示的文章推荐模型。针对利用文章特征信息和文章节点关联信息不充分的问题,本文提出了采用双路编码器对文章信息进行挖掘的方法。该方法采用图自编码器和自编码器分别获取文章关联特征和节点特征的低维嵌入,既关注了文章之间的关联特征,又获取了文章节点的特征,避免了特征的浪费并且获得了更好的特征表示。通过双路编码器降维与特征进行提取,将高维数据转化为低维数据、稀疏特征转化为稠密特征,避免了维度灾难和数据稀疏的问题。针对未能充分利用用户和文章之间交互信息、隐含关系的问题,本文通过构造二部图对用户信息进行建模,在得到“用户-文章”关联矩阵后,经过嵌入得到了“用户-文章”关联矩阵的低维表示。利用概率矩阵分解更新“用户-文章”关联矩阵、文章节点特征和文章关联特征的低维嵌入,最终完成推荐。模型解决了在数据稀疏情况下造成推荐结果不够理想以及特征利用不充分的问题。经实验证明,本文的模型优于其他推荐模型且有效的提升推荐质量。模型可完成用户偏好预测、个性化推荐等任务。最终经过实践应用,证明了模型的有效性。