随着计算机技术的不断发展,网络上的信息及数据的数量呈爆炸式增长,这使得人们无法从大量可供选择的信息中抽取有效的内容,由此,推荐系统体系应运而生。推荐系统从根本上来说是一种信息筛选系统,它通过一定的算法在大量数据中过滤用户不太可能产生行为的数据,从而为其推荐所需要的信息或服务。目前,基于标签的推荐、基于模型的推荐以及基于神经模型的推荐等推荐算法都可以为特定的内容或者用户进行推荐。而现实生活中,物品之间、用户之间以及物品与用户之间存在着各式各样的二分关系,如某视频网站中,用户和视频之间形成了“观看”的二分关系;DBLP中,作者和其论文之间形成了“发表”的二分关系。本文采用二分图对两种不同类型的实体及其二分关系进行建模,通过优化其嵌入向量来提高推荐的效率和效果。本文的主要研究内容如下:（1）对于传统图嵌入算法大多过于关注图的拓扑结构,而对结点本身信息关注较少从而导致表征能力不足的问题,本文在计算图嵌入向量的过程中引入结点相关数据作为该结点的先验信息,并通过预训练结点的嵌入向量进行更加准确的结点表示。与此同时,本文提出的方法兼顾了图中结点间的显式关系和隐式关系,并探究了两者的重要程度。（2）传统的图嵌入算法主要针对同构图设计,而二分图是一种特殊的异构图,显然传统图嵌入算法无法完全适用于二分图。由此,为了提高二分图嵌入的效果,本文对传统随机游走算法[1]进行改进,引入了Attention机制,提出基于Attention的随机游走策略。该方法分别在二分图的两种相同类型结点间进行游走,用于获取若干结点序列。首先,初始化结点向量,对结点进行向量化表示;其次,利用Attention机制来指导随机游走的方向,获得若干结点序列;然后,将生成的结点序列放入Skip-gram模型中,得到结点的嵌入向量;最后本文设计了一个联合优化框架,并采用随机梯度上升法对结点的嵌入向量进行迭代更新,从而提高该模型的收敛速度和结点嵌入向量的表示效果。（3）本文为提出的模型创建了实验环境,设计了算法的衡量指标,并与多种其他模型进行对比分析。实验表明本文提出的模型是有效的。