随着互联网信息技术的迅猛发展,推荐系统帮助用户快速、精准地寻找所需和所感兴趣的物品（item）,逐渐渗透到人们的衣食住行中。推荐系统中的音乐、商品、法规等物品和类目之间常常具有分层结构,物品从属于类目（category）,子类目又从属于父类目。为了针对具有这种特征的物品设计和实现推荐系统,本论文在相似推荐和个性化推荐这两个工程中的实际应用场景下,分别挖掘物品的分层结构信息。主要工作内容如下:（1）在相似物品推荐场景下,针对已有的属性图嵌入模型不能充分利用物品分层结构的问题,提出融合物品分层结构的属性图嵌入推荐（HAGE）模型。首先为了挖掘相同类目下结点的相似性,提出基于物品分层结构的属性图嵌入,先对每一个类目结点下的子结点构建图,然后利用每个类目所构建的图生成随机游走序列。其次提出融合用户行为序列中共现物品的相似性和同一类目下物品的相似性的方法,即通过共享两个Skip-gram网络的公共参数进行交替优化,从而生成统一的物品嵌入。在亚马逊电商数据集上进行模型基准对比实验,验证了 HAGE的有效性。（2）在个性化推荐场景下,针对已有的交互图嵌入模型不能充分利用包含高阶交互在内的协同相似度的问题,提出融合协同相似度的交互图嵌入个性化推荐（CIGE）模型。首先引入基于属性引出边列表的协同相似度,挖掘由同一离散属性连接的两个用户或两个物品之间的2阶邻居邻近度。其次通过在Skip-gram网络中引入结点的1阶邻居信息和属性信息,利用注意力机制加权得到结点的聚合向量,来挖掘属性交互图的高阶的隐式联系。在亚马逊电商数据集上进行模型基准对比实验,验证了 CIGE的有效性。（3）在个性化推荐场景下,针对CIGE不能充分利用物品分层结构的问题,在CIGE的基础上提出融合物品分层结构的交互图嵌入个性化推荐（HIGE）模型。首先提出随机跳跃,通过在同一层次中结点的移动来挖掘用户行为序列中的物品的共现信息,通过在不同层次之间结点的跳跃来挖掘物品树形组织结构中的分层信息。然后将随机跳跃学习得到的物品嵌入向量视为物品的属性信息,通过与其他属性向量拼接结合到CIGE中。在亚马逊电商数据集上进行模型基准对比实验,验证了 HIGE的有效性。（4）针对具有物品分层结构特征的数据集设计并实现推荐系统。通过用户登录状态来区分推荐场景。在相似物品推荐场景下,利用HAGE的研究成果为用户产生推荐结果列表。在个性化推荐场景下,利用HIGE的研究成果为用户产生推荐结果列表。通过分布式缓存等技术优化接口响应时间,并对系统进行了功能和性能测试。