随着大数据技术的兴起与普及,现如今社会已迈入数据量呈几何式增长的时代。无论对于信息产出方,还是对信息受用者,都遇到了巨大的机遇和挑战。因此,如何把握好用户的偏好推荐,以及挖掘用户潜在兴趣关联信息,已成为学术和工业界研究的热点领域。随着互联网时代的来临,为解决信息过载问题,搜索引擎应运而生,它利用搜索关键词找到用户所需信息。但搜索引擎需用户主动提供关键词来寻找所对应信息,这种方式存在无法匹配用户其他潜在需求的问题。推荐系统通过分析用户的历史行为,构建用户的偏好模型,解决了信息过载和用户需求不明确问题,从而达到主动推荐用户满足他们兴趣和需求信息的目的。矩阵分解,作为传统推荐系统的核心技术之一,主要旨在学习一种有效的预测函数,以表征用户与项目之间的交互记录(用户-项目评分矩阵),由于其稳定的预测性能以及灵活的扩展能力,一直以来都是学术界和工业界研究热点。但其推荐性能受限于固有稀疏性和冷启动问题。目前主流的解决思路是利用用户间的社交网络信息弥补用户-物品交互数据。然而,由于社交网络数据的复杂性,现有结合社交信息的推荐算法多为启发式方案,未能充分挖掘社交网络数据的有用信息以辅助推荐任务。值得庆幸的是,图嵌入算法的诞生,成为社会化推荐算法重要思路之一。它旨在低维稠密的向量空间中,嵌入高维稀疏社交特征向量,同时将原始网络的结构信息最大化。从这个角度来看,本文以社会化推荐算法为基础,着重研究融合矩阵分解和图嵌入算法方案,提出了协同过滤图嵌入和异构网络图嵌入两种融合方案,本文研究思路如下:首先,针对矩阵分解固有的数据稀疏性问题,本文提出了一个通用框架来集成三种常用的协同过滤方法Tr CF,通过整合三种协同过滤算法的优点,来增加模型的灵活性,对不同应用场景均能提升性能。然后利用图嵌入技术提取用户反馈中潜在而且可靠的社交朋友信息,并根据用户之间的相似性计算得到每个推荐用户的top-k语义朋友,最后将top-k语义朋友信息合并到Tr CF的框架,以此来缓解冷启动问题。其次,为了进一步缓解评分数据与社交网络数据的稀疏性,本文提出使用基于异构信息网络推荐算法来挖掘更加可靠的用户关系。其原理是将整个系统建模为异构网络(由用户项目关系和用户社交关系组成),然后通过精心设计的元路径嵌入表示学习用户的相似性。但是由于过于依赖显式元路径和嵌入表示方法单一,导致用户和项目的潜在信息无法被有效挖掘。然后,针对推荐任务与社交信息未达到有效融合问题,基于HIN推荐技术提出一种新颖的推荐算法,称为HIN-MF。其基本思想是从HIN获得嵌入表示后,提出了三种融合函数对学习到的节点表示进行转换,最后集成到传统推荐算法,矩阵分解模型之中。最后,在三个真实世界的数据集上进行的大量实验证明了两种融合模型的有效性,有效的缓解了数据稀疏性和冷启动问题,也充分说明所提出算法的有效性和合理性。