大数据时代的到来,促使人类社会进入到空前发达的信息时代,在享受丰富信息带来的便捷的同时,人们也受到了信息过载问题的困扰,为此推荐技术作为一门独立学科应运而生。虽然推荐技术在过去几十年间得到了迅速发展,但是依旧有很多问题亟待解决,如由历史偏好数据稀疏导致的冷启动,长尾等问题。社交网络的快速发展为推荐提供了可靠的数据支持,从而为解决冷启动问题提供了帮助。为此,结合社交信息的推荐方法逐渐成为近年来的研究热点。目前提出的融合社交信息的模型多是基于矩阵分解的框架构建而成。然而,由于模型构造的缺陷,已有社交推荐模型无法充分挖掘社交网络的结构信息,进而导致推荐精度不高,冷启动问题解决不充分等问题。图表示学习算法的出现为社交推荐研究提供了新思路。本文立足于图表示学习算法,对结合社交信息的推荐模型进行了深入的探讨和研究,工作如下:首先,针对信任式社交网络,分别从全局角度和局部角度对用户在网络中的影响力进行度量,通过融合全局和局部影响力重新定义用户之间的关联强度。不同于其他方法,我们并不假定所有的社交信息都是有效的。通过对用户历史评分信息的挖掘,构建了具有潜在相似品味的用户关系网络,并利用该用户关系网络对社交网络进行优化,最终构建用户协同网络,一定程度上确保社交信息的可靠度。其次,利用基于随机游走的图表示学习算法得到每个用户的低维向量表示,同时构造出相似用户集合与差异用户集合。并依据最大化相似用户间的相似性和最大化差异用户之间的差异性的思想结合矩阵分解框架构造评分预测模型。最后,通过在四个真实的社交推荐数据集上的实验验证了模型的有效性,相较于其他融合社交信息的推荐算法,我们提出的协同社交网络嵌入矩阵近似模型对全体用户和冷启动用户具有较好的推荐效果;同时在对具有不同社交维度的用户的实验中证明了我们提出的模型确实能够对社交信息进行优化,从而获得更好的推荐效果。