近年来,随着大数据、云计算、移动互联网等新一代信息技术的快速发展,数据规模迅猛发展、数据类型多种多样、数据产生速度越来越快,我们进入以信息爆炸为特征的“大数据”时代。大数据中蕴含着丰富的信息,具有广泛的应用前景和巨大的知识价值,但同时也为人们带来了严重的“信息过载”问题。推荐系统,是有效解决“信息过载”问题的一个重要方法,受到学术界和工业界的广泛关注。尽管已经有大量振奋人心的研究成果,但是已有的推荐方法往往面临数据稀疏性高、可扩展性差、数据利用率低等问题。为解决上述问题,本文提出了一种基于同构共现网络表示学习的推荐方法和一种融合矩阵分解与异构网络表示学习的推荐方法。具体来说,包括以下两个方面的工作:(1)当前的推荐算法往往具有数据稀疏性高和扩展性差的问题,为了解决上述问题,本文提出一个基于同构共现网络表示学习的推荐算法(ISRM_NE)。首先,我们构建用户-物品共现网络来反映用户的偏好信息和物品之间的共现关系。其次,我们发掘该网络中的两种结构相似性:紧凑性和结构等价性,通过对这两种结构相似性的探索可以映射出推荐系统中的四种关系:用户偏好、物品共现关系、用户潜在偏好、用户相似性。最后,我们使用两种采样策略得到网络中的节点序列并使用网络表示学习方法得到用户和物品的网络嵌入向量,从而可以通过向量计算得到推荐结果。我们将提出的基于同构共现网络表示学习的推荐方法ISRM_NE在真实数据集上进行实验并与已有方法进行比较,结果表明,ISRM_NE算法大大提高了推荐的准确性,同时,有效地解决了推荐系统中的数据稀疏性大及可扩展性差问题。(2)现实推荐场景中的数据是复杂且异构的,如何利用辅助信息来提供推荐的性能是一个值得研究的问题,然而,已有的研究只关注一种辅助信息,这导致用户和物品之间的潜在关系得不到充分的挖掘。为解决上述问题,本文采用异构信息网络来刻画推荐系统中的辅助信息的异构性和复杂性,提出了基于异构信息网络表示学习的推荐算法(HN_MF)。首先,我们从基于推荐场景的异构信息网络中提取出多种共现关系构成异构共现网络。其次,我们使用网络表示学习得到用户和物品的多种类型的嵌入向量,并通过融合算法将这些嵌入向量融合成一种向量表示。最后我们将得到的嵌入向量与矩阵分解结合,使推荐过程参考更多潜在的辅助信息。我们将提出的HN_MF方法在真实数据集上进行实验并与五种代表性方法进行比较,实验结果表明,HN_MF方法大大提高了推荐系统的性能。