基于邻域的Top-N推荐算法利用隐式反馈数据建立排序模型,其算法性能严重依赖于相似度函数的表现,传统相似性度量函数在隐式反馈数据上会遇到数据过于稀疏和维数过高两个问题,稀疏数据不利于推荐模型选取光滑的邻域,过高的数据维数会导致维数灾难问题,导致推荐算法表现较差。为解决这两个问题,本文提出一种基于表征学习方法的推荐算法,改进算法分为两部分:第一部分实现了基于二部图网络的多目标节点表征学习方法,在节点表征中通过嵌入不同层次的网络结构信息和次序信息来提升推荐性能,增加结构层次扩大推荐算法候选物品范围,增强模型表达马太效应,而嵌入次序信息使得表征更适用于Top-N推荐;第二部分用维表征代替高维数据进行基于物品的协同过滤推荐。在Movie Lens 1M、Lastfm及Book Crossing三个不同规模真实数据集上的实验结果表明,该算法相较于常用的基于隐式反馈的推荐模型具有更高的准确率和召回率,准确率比传统协同过滤方法提升最高约4%,比现有的推荐方法提升最高约1%。说明模型在针对大规模数据集时能够有效缓解矩阵稀疏性问题和维数灾难问题,提高推荐性能。