目前,随着互联网迅速发展,用户通过网络搜索所需信息,购买所需商品。但是在电子商务时代,用户倾向于使用社交网站浏览或传播各种信息,导致网络数据剧增,在这种情况下推荐系统随之而来,并在逐渐发展。推荐算法是一个推荐系统中最重要的部分,虽然传统方法的应用具有很好的推荐效果,但仍存在一些不足之处。目前个性化推荐算法主要基于静态网络,无法准确地对动态网络进行建模并进行有效推荐。同时存在数据稀疏、推荐精度低以及推荐多样性较低的问题。针对以上问题本文提出了相应的解决方法,具体研究如下:（1）为了提取动态网络随时间变化的动态信息及多层网络特征,提出了一种基于动态网络表示的个性化Tner推荐算法,损失函数中加入时间系数,利用不同时间维度调节损失函数进行优化训练。同时根据节点的变化扩展隐藏层数量去处理动态网络中节点随时间变化的问题。多个时序数据集上的结果表明,Tner在精确率、召回率以及F1-Score三种评价指标中均优于其他算法,体现了Tner算法的推荐准确性及高效性。（2）针对传统方法精度低、多样性较差的问题,提出了一种基于能量分配的带权二部网络推荐算法。提出了低频项阈值以删除不同比例的数据中出现频率低的项目,将能量分配与权重公式结合,对于用户项目之间的推荐赋予相应的能量。利用改进的权重公式进行相似度计算从而进行推荐。最终提出逻辑回归方法修正推荐列表,使最终的推荐列表更加准确。在两个数据集上的结果表明,与现有的算法相比推荐准确性以及多样性更高。（3）最后结合以上两种基于网络表示的推荐算法,设计并实现了基于网络表示的推荐系统,实现了个性化电影推荐。该系统集用户账号的注册、登录、电影详细信息的查询、电影的评分以及电影的推荐等功能。