随着科学技术的不断创新与快速发展,学术成果如雨后春笋般涌现,科研工作者们往往将自己的学术论文发表在学术期刊或杂志上,然而如何在大量学术期刊中选择合适的期刊进行投稿,受到众多科研工作者的迫切关注。目前学术期刊推荐方法大多利用论文内容特征或学术社交网络进行推荐,若论文数据库未收录论文全文信息,基于论文内容特征的推荐算法便难以满足用户的期望,普适性和鲁棒性较差;基于学术社交网络的推荐算法因粒度粗和信任关系稀疏问题,也导致推荐质量不高。本文通过建立图模型,在图嵌入技术学习节点嵌入向量研究基础上,提出两种基于图嵌入的学术期刊推荐方法,分别针对上述问题进行改善,助力科研工作者发表学术论文时能够恰当选择学术期刊投稿。主要在以下两个方面进行了工作:1)基于图嵌入的作者偏好期刊推荐针对基于论文内容特征的推荐算法难以满足用户的期望,普适性和鲁棒性较差的问题,提出基于图嵌入的作者偏好期刊推荐方法,根据论文作者偏好具有随其技术水平和认知而提升的动态变化的特点,建立作者动态偏好推荐模型和作者主题偏好推荐模型。根据发刊活动中的基本信息,提取论文的潜在主题特征并构建模型图;采用基于LINE图嵌入技术学习主题、发表年份、期刊的嵌入向量;建立作者动态偏好推荐模型和作者主题偏好推荐模型,通过两个推荐模型完成学术期刊推荐任务。在公开数据集DBLP和Pub Med上进行实验,结果验证基于图嵌入的作者偏好期刊推荐方法的有效性。与常用推荐算法CF、SVD、SVD++、Deep Walk、KNN、NMF相比,本文算法相比于次优的算法在两个数据集上的召回率均有提升,具有一定优势。2)基于图嵌入相似性学习的期刊推荐针对基于学术社交网络的学术期刊推荐方法中,粒度粗、信任关系稀疏的问题,提出基于图嵌入相似性学习的期刊推荐方法。首先构建扩展引文网络模型,然后采用LINE模型图嵌入学习方法捕获合著者网络和引文网络上的潜在特征,并在合著者网络上,对作者之间的关系进行细粒度嵌入学习,接着计算作者相似度和文章相似度,最后在扩展的引文网络上通过计算期刊协同置信得分完成学术期刊推荐任务。在公开数据集DBLP-Citation-network V11和ANN上进行实验,结果表明提出的算法与TopicBased、Friends-Based、RWR、AVER以及改进前的算法相比,在两个数据集上召回率有不同程度的提升,具有一定优势。