个性化推荐算法是解决信息超载问题的有效方法,网络分布式表示学习由于其捕获网络节点间潜在联系和学习节点表示的优越性能成为研究个性化推荐算法的热门方向。如何挖掘并有效利用推荐网络中的各种信息是提升基于网络分布式表示学习的个性化推荐算法性能的关键。现有的基于网络分布式表示学习的个性化推荐算法大多更关注于网络的结构信息,往往忽略了网络节点上丰富的属性信息以及与节点相关联的非结构文本信息所蕴含的丰富语义。为了解决上述问题,本文对基于网络分布式表示学习的个性化推荐算法进行了深入研究,通过引入节点的属性信息与文本信息对推荐网络中的数据进行更完整地建模,学习更准确地用户分布式表示与项目分布式表示。同时,引入深度神经网络学习更有效的匹配函数解决推荐问题,从而提升推荐性能。具体的研究工作如下:第一,现实中的网络不仅包括多种类型的节点与边,每个节点还包含丰富的属性信息。然而现有的基于网络分布式表示学习的个性化推荐算法不仅忽略了节点的属性信息与节点间多种类型的边关系,还忽略了节点不同的属性信息与不同边关系对推荐结果产生不同的影响。针对上述问题,本文提出一个自注意力机制的属性异构信息网络表示学习的个性化推荐框架AHNER,利用属性异构信息网络表示学习学习用户与项目统一、低维的分布式表示。并在学习节点分布式表示时,考虑不同边关系反映用户对项目不同程度的偏好和不同属性信息对推荐结果的影响不同,引入自注意力机制挖掘不同边关系与节点属性信息所蕴含的潜在信息并学习属性分布式表示。通过引入属性信息学习更准确有效地节点分布式表示,从而提升个性化推荐算法的性能。第二,现实中的网络除了节点的属性信息,还包含不同信息来源的文本信息。但是现有的基于网络分布式表示学习的个性化推荐算法不仅忽略了节点文本信息所蕴含的丰富的语义信息与潜在联系,也较少联合考虑推荐网络中节点的属性信息与节点相关联的非结构文本信息。针对上述问题,本文提出一个融合文本信息的属性异构信息网络表示学习的个性化推荐框架FTNLR,通过引入文本挖掘技术Bert来捕获节点文本信息中所蕴含的丰富语义信息并学习节点的文本向量表示。然后通过内容转换层将节点属性信息与节点文本信息映射到同一个潜在空间并学习节点初始表示。最后聚合邻居节点的信息学习节点分布式表示。通过在属性异构信息网络中融合节点文本信息学习更有效的、统一的、低维的用户分布式表示与项目分布式表示,提升推荐性能。