随着互联网的快速发展,大规模数据的出现,使得用户需花费太多的时间和精力去选择自己需要的信息。社会化推荐为用户提供了便利,但社交网络上存在一些噪音信息而表示学习可以解决推荐算法的可拓展性及抵抗嘈杂数据。基于此,基于网络表示学习的推荐受到了研究者的广泛关注。然而,社交网络过大,难以在有限内存中进行计算。因此,研究一种有效的表示学习方法对提高推荐的准确率非常重要。而聚集图通过空间压缩,保留了关键的结构关系,去除次要或噪音的结构数据,便于表示学习有效的学习图结构,分析原图中的有用信息,从而更准确地找到相似用户进行推荐。本文设计了一种面向社交网络的表示学习模型和基于聚集图表示学习的社会化推荐算法。首先,利用图聚集算法同时考虑分组间及分组内的结构得到最终的聚集图;其次,在聚集图上计算随机游走的转移概率,然后,进行有偏的随机游走并生成节点序列;最后,通过聚集图表示学习获得节点的表示向量。进一步拓展,本文将用户节点序列输入到skip-gram学习用户的潜在表示,然后计算用户之间的相似度,最终将其信息融入到社会化贝叶斯个性化排序模型(BPR)得到商品排序。本文提出的社交网络表示学习模型和聚集图表示学习的推荐均使用真实的数据集进行验证,与现有的算法比较和分析本文的算法的有效性和合理性,并通过维度,负样本等参数的变化验证算法的性能。