随着移动互联网的飞速发展，移动应用（Mobile Application，简称App）得到人们越来越多的使用。面对日益增多的App，用户更加依赖于分发工具—App商店。App商店为了改善用户体验，提供了多种发现机制，如分类，搜索与推荐等。App的语义表示是分类、搜索、推荐等各种学习任务的先决条件。因此本文首先研究了App表示学习及其在相似App推荐中的应用，而后针对相似App推荐中的学习模型进行改进以期提高性能。　　基于App的名称、功能描述等元信息间的独立性假设，App的相似性转换为多个对应信息间相似性的融合。已有的方法并没有考虑App间的显式关系信息，如App商店中，存在着同类App推荐，同一开发者App推荐等联系信息。这些关联信息对于相似App推荐有着更为重要的作用。基于迁移学习的概念，本文引入第三方（源）应用商店的App间的多个关联信息，学习到App间统一的相似性函数，融入到目标应用商店的App的特征中，在公开数据集上取得了良好的效果。　　事实上，元信息之间并非是语义独立的，尤其是同类信息之间。本文以App的名称与描述为例，重点探索两类信息之间的关系对相似性学习的影响。App名称具有区分性、代表性等优点，是极为重要的特征。然而，App名称中单词量少，过于稀疏，我们引入App描述等辅助信息，通过协同矩阵分解来丰富名称中单词之间的语义关系，采用交替方向乘子法进行优化，获得名称的隐式语义空间，在相似App推荐的公开数据集上验证了其有效性。　　从相似性学习算法来看，已有的相似性学习算法要么是将相似性视为绝对的，要么是只考虑三元组形式的相对相似性。在面向排序的相似性学习场景中，如相似App推荐，相对相似性比绝对相似性更重要，全局的相对相似性比局部的相对相似性重要。因此本文利用排序学习中listwise方法的思想，对传统的相对相似性学习的框架进行改进，提出了面向排序的相对相似性学习框架，以及基于列表的多核相似性学习算法。实验结果表明，基于列表的方法优于基于三元组的方法。　　本文对于App表示学习问题以及App相似性学习问题等研究成果，不仅能够改善应用商店中的App推荐，分类，搜索等应用场景中用户体验，还能够对于手机主屏App推荐，个人助理中App关联与推荐都有相当大的帮助。