随着物联网、云计算、大数据、人工智能等数字技术的发展,全球进入数字经济时代,人们的个性化需求、数据的多样性与复杂性让用户对信息的获取提出了更高的要求。如何帮助用户从海量信息中找到其感兴趣的信息,已成为学术界广泛关注的问题。推荐系统作为一种有效的信息过滤系统,是解决这一问题的重要工具,但随着用户和物品数量的极速增长,传统的基于协同过滤的推荐系统正面临着推荐质量和推荐实时性下降的挑战。最近的研究表明,相较于传统协同过滤算法中人工设计的相似度指标,使用网络表示学习的方法处理推荐系统中的相关信息,可以有效地增强推荐系统的特征表示能力。为了提高推荐系统的推荐质量和实时性,本文主要关注基于二部网络的推荐算法和实时推荐的系统架构。本文的主要工作和贡献如下:(1)提出了一种联合二部网络表示学习的矩阵分解推荐算法(BiNRMF)。使用二部网络表示学习的方法,学习用户与项目的低维向量稠密表示,提高相似度计算结果的稳定性,降低相似度计算的复杂度;将低维向量空间中用户与用户、项目与项目之间的相似关系融入传统矩阵分解算法,训练预测模型。(2)设计了一种实时的三层推荐架构。整体架构一共分为三层:离线层,近线层、在线层。离线层的任务是召回模型的训练和召回结果的计算;近线层使用实时数据更新排序模型的参数;在线层为用户提供实时的服务,产生最终的推荐结果。采用Tensorflow中开源的Wide&deep模型,提高模型的训练效率和服务的响应效率,并结合Spring Boot框架和前端技术,实现了一个包含用户端和管理员端的实时推荐系统。