在信息产业和互联网蓬勃发展的今天,信息增长率极快,再让消费者自已承担筛选信息的责任显然不能满足当今的需要。为了更好的理解和处理充斥在各个领域的信息膨胀问题,各个领域的研究者们开辟了很多的大的研究方向,如信息过滤,信息检索,信息抽取。本文会集中于两个比较具体的研究点进行研究和探索,一个是表示学习领域下的主题模型与词嵌入学习,另一个是商品推荐问题,并探索这两个研究点间结合的可能。主要工作如下:1.提出了一种新的自适应的主题建模方法HLSM。引入了物理领域复杂网络分析算法的思想,解决了 PLSA和LDA的先验敏感性以及主题数K需要人工选择的问题。并在公开数据集上验证了这个算法的有效性,对比传统的主题模型在主题建模和文本分类两个子任务上均有提高。2.设计并实现了将主题模型以及词嵌入算法和商品推荐系统创新结合的算法框架。本文讨论了将主题模型和词嵌入算法应用到商品推荐领域可解决的问题,分析了在多场景的冷启动问题、长尾数据问题、以及稀疏数据计算和存储规模问题上主题模型和词嵌入算法的优势。并且详细的设计了几种主题模型和词嵌入算法在推荐系统中实际使用的算法算法,最终在真实的工业数据上做了离线实验并最终在真实的商业场景上线了这一算法框架,取得了显著的效果提升。