随着商品、新闻、社交等商业平台快速普及与发展,其数据信息呈爆炸式增长趋势,互联网用户面临着严重的信息过载问题。作为一种应对信息过载问题的有力工具,推荐系统根据用户的历史行为和属性信息,预测用户对给定项目的偏好,以便更准确地掌握用户需求,向用户推荐其感兴趣的项目,提升商业平台的经济效益。目前,针对推荐系统的研究聚焦于如何利用商业平台内的大量辅助数据,提升推荐系统性能。针对现有推荐系统存在的用户、项目特征刻画不准确等问题,本文开展了基于网络表示学习的推荐算法研究。论文的主要工作包括:1、针对现有局部低秩矩阵分解算法无法有效构建子矩阵的问题,提出一种基于网络表示学习的局部矩阵分解算法,根据用户间\项目间表示向量的相似性,从评分矩阵中构建多个局部低秩的子矩阵,在子矩阵中进行矩阵分解算法获取更准确的预测评分。该方法首先将用户社交数据、用户与项目的交互数据构建为异构信息网络,用以表示用户、项目之间的多种关系。然后,设计一种应用于异构信息网络的表示学习算法,训练得到用户、项目的表示向量,将表示向量相似性满足阈值的用户、项目,构建为同一低秩子矩阵。最后,在每个子矩阵中进行矩阵分解算法,获取子矩阵中用户对项目的预测评分,将子矩阵中预测评分的加权均值作为最终的预测结果。所提算法引入用户社交数据构建异构信息网络,社交数据的加入缓解了由于交互数据的缺失导致的用户特征表征不准确问题。根据从信息网络中学习的表示向量,能够更有效地构建子矩阵。在两种真实数据集上进行实验,结果表明:所提方法在局部低秩的子矩阵上进行矩阵分解算法,能够获得更精确的预测结果。2、针对现有基于协同过滤的推荐算法无法准确地获取用户、项目特征的问题,本章提出一种基于元路径表示学习的个性化推荐算法。该算法首先根据用户的历史行为,在社交数据中过滤掉用户间偏好差距较大社交关系。然后,将过滤后的用户社交数据、项目属性数据、用户与项目的交互数据建模为异构信息网络。采用基于元路径的表示学习从异构信息网络中分别得到用户、项目的表示向量。为了拟合用户、项目表示向量,提出连接矩阵的概念,将用户表示向量、连接矩阵、项目表示向量的內积作为预测评分。利用梯度下降算法,通过已有评分对连接矩阵进行训练,使得预测评分不断逼近已有评分,得到推荐模型。通过对用户社交关系进行过滤,减少了偏好不一致用户社交关系对算法的影响。多种语义的元路径丰富了用户间\项目间的关系数据。基于元路径表示学习的算法得到表示向量,融合了不同语义环境下用户、项目的关系信息,更准确地获取了用户、项目的特征。实验结果表明:对社交关系进行过滤,并利用异构信息网络下的表示向量构建推荐算法,有效地提升了算法预测的准确性。3、针对异构信息网络中基于元路径表示学习算法存在的数据丢失问题。提出一种融合多种实体关系的个性化推荐算法。该算法首先通过用户社交数据、项目类别数据、用户对项目的评分数据分别构建两种实体网络:用户关系网络和项目关系网络。其次,使用网络表示学习获取用户和项目的向量表示。然后基于已知标签数据训练用户与项目的映射矩阵,并用映射矩阵计算用户对项目预测评分。提出的算法通过两种关系网络有效地融合了不同类型的多类型数据信息,从多个角度描述了实体间的关系,并利用映射矩阵有效地拟合了用户、项目表示向量。在两个真实数据集上对所提算法进行了实验验证,结果表明:提出的预测算法与已有方法相比,评分预测的精确性得到了提升。4、针对社交网络中缺乏对边信息的利用导致用户行为预测不准确的问题,提出一种基于网络表示学习和标签传播的用户行为预测算法。该方法首先通过用户的关注列表构建用户社交关系网络。第二,从用户提及的内容数据中提取用户的偏好特征,并计算用户偏好特征的相似性来确定用户间的关系强度。根据关系强度对用户社交网络中的边进行赋权,同时确定了表示学习中节点采样的随机游走转移概率,并训练得到用户的表示向量。最后,基于用户的表示向量的相似性计算用户间的标签传播概率,通过迭代的标签传播算法预测用户的标签。所提算法定义了用户社交网络中的边信息,准确地描述了用户间的关系,训练得到的用户表示向量有效地表征了用户。实验结果表明:在腾讯和新浪两种微博数据集上进行实验,和现有的预测算法对比,所提方法能够提高用户行为预测的准确性。最后,对全文的工作进行了总结,并指出了需要进一步研究、解决的问题。