据统计,每天都有数以万计新的学术文章出版,如此庞大的文献数量导致信息过载问题日益突出。引文推荐,作为克服这一困难的重要解决方案,聚焦于智能化地从文献数据库中产生与查询文章相关的文献列表,近年来越来越受到学者们的关注。在引文推荐问题中,可以利用文章的多样化信息来解决问题。因此,网络范式可以有效地捕捉文章语义和结构信息。近年来,基于网络表示学习的引文推荐倍受关注,但如何充分耦合文章的语义和结构特征仍具挑战。考虑到引文推荐的特有性质,作者结点通常不直接关联属性,故网络出现局部结点缺失属性的现象,已开发的属性网络表示学习模型难以被直接应用于引文推荐。现有的工作聚焦于利用网络拓扑来学习文章特征,少有工作致力于探索属性网络表示学习在引文推荐上的应用。本文将文章的文本属性和结构属性通过属性网络有效地融合,并根据结点的语义相似性构建语义连边。语义连边是对属性网络边集合的扩充并指代网络上两篇文章共享相似的文本内容,并在后续学习文章结点特征表示的过程中提供有价值的语义监督。为克服单粒度网络表示学习技术计算复杂度高,内存消耗大的弊端,进而引入多粒度网络表示学习技术来解决这一问题。本文的主要工作如下:1)针对难以充分耦合文章的语义和结构特征并考虑文章的多样化信息这一问题,本文提出基于语义连边属性网络表示学习的引文推荐算法(CR-ANRSL)。首先,根据文章结点的文本属性相似度在属性网络上构建语义连边,语义连边可以相互吸引网络上语义强关联的文章结点并增强网络上边的语义。随后,基于skip-gram模型来学习结点分布式特征表示,语义连边在此过程中提供有价值的语义内容监督。最后,设计一种融合多模态特征表示相似度的线性融合方法来度量文章间的相似度以产生推荐列表。在AAN和DBLP两个公共数据集上的实验结果表明语义连边可以有效地集成结点的属性信息并在后续的网络表示中提供有价值的监督,在召回率和NDCG上胜过多种广泛被使用的引文推荐模型。2)针对单粒度语义连边属性网络表示学习模型计算复杂性高和庞大的内存需求,难以扩展到大型网络这一问题,本文提出基于多粒度语义连边属性网络表示学习的引文推荐算法(CR-HANRSL)来放宽这一限制。首先,根据文章结点属性的语义关联度和作者关系反复将网络粗化成更小的网络,以维护作者间的历史合作关系并同时兼顾文章的语义信息,并在每次粗化后都让超结点融合子结点的文本属性为粗化后的网络计算语义连边。随后,利用单粒度网络表示学习方法获得粗化后的网络特征表示并通过学习图卷积神经网络,对原网络的表示进行细化来学习结点向量。最后,融合文章间多模态特征表示相似度产生推荐列表。实验证明提出的方法与1)中的提出的方法比较在几乎不损失精度的条件下大大提升了执行效率。