随着Web 2.0与智能移动设备的快速发展,线上社交网络已经具有巨大体量,而且成长迅速。截止到2019年6月,我国社交网络用户达到6.6亿,月度活跃用户达到2.5亿。面对如此庞大的用户群体,社交网站中的一个重要服务指标就是社交用户以及社交网络中各类物品的推荐功能。例如向用户推荐其有极大可能会感兴趣的潜在用户,向用户推荐感兴趣的不同商品。为了解决社交服务中推荐服务的需求,服务提供商都选择不同的算法方案来搭建对应的推荐服务。目前,对象推荐的方法主要被分为三大类:协同过滤方法、基于内容过滤方法和混合系统。这三类方法都得到了一定的现实检验,但是仍然存在着两个主要问题。首先,传统的推荐算法都忽视了社交网络中各种隐含的复杂结构,如果能将这些被忽视的部分进行挖掘,有利于提高推荐服务的精度。其次,随着社交网络用户数量的逐年倍增。部分传统推荐方法的实现效果有限,增加的大量数据无法显著地提高推荐方法的准确度,成长性较差。因此,目前的关键在于能够在巨大规模的社交网络上进行精确推荐。近年来,随着计算力和数据体量的快速增加,很多研究者致力于在各种复杂网络上设计高效的算法。在复杂网络研究中,一个重要的问题是如何合适的将网络信息表示出来。传统的网络表示一般是使用稀疏高维向量,但是高维数据将占用过多的计算空间与时间,这成了限制统计学习方法的关键。受到自然语言处理的启发,研究者们开始对复杂网络表示进行低维向量转换,并保留原本网络中的拓扑性质。因此,网络表示学习解决了原始数据规模过大的问题。最近几年,深度学习技术发展异常迅速,神经网络特有的特征提取优势被越来越多的研究人员所重视。受到自然语言处理领域的启发,网络表示学习与深度神经网络的结合成为领域内十分热门的方向。并且,将深度学习与表示学习相融合的成果也展示出较为成功的效果。本论文将社交网络作为研究对象,通过结合不同的网络表示学习方法,融合目前深度神经网络学习训练机制,发掘更高阶的网络拓扑关系。通过构建新类型网络表示模型,将稀疏的高维网络特征转换为传统机器学习方法所需要的低维稠密向量,提高传统推荐算法的计算效率,并增加其精确度。同时,本论文构建了通用的推荐系统计算框架。通过设计高效率高吞吐量的数据储存及传输方式,确保了该框架的高可用性。该计算框架可以应用于相关实验和简易推荐服务系统的搭建,帮助相关研究人员快速开始算法设计工作。