随着互联网技术与移动通信技术的快速发展,空前发达的信息化时代在丰富与方便了人们生活的同时,也带来了信息过载的问题。推荐系统,作为解决信息过载问题的有效方法,能够帮助用户进行信息过滤,并提供精确且有针对性的推荐服务,现已经被广泛的应用到电子商务、社交、影音娱乐等领域中。近些年有关网络表示学习技术的研究取得了突出成果,其对网络结构信息的表示能力为推荐算法的研究提供了新思路。本文以网络表示学习与推荐算法为研究内容,旨在利用网络表示学习技术提升推荐算法的性能,增强推荐算法的可扩展性,主要工作如下。针对同质网络下的推荐问题,本文提出了一种改进的基于随机游走的网络学习方法（Random walk based Attribute Network Embedding,RANE）,该算法修正了随机游走的采样结果并在节点表示学习部分利用了节点的属性信息。具体来说,在随机游走部分,提出根据节点的重要性分配每个节点的游走次数,并以一定概率控制游走生成长度不同的序列;在表示学习部分,以Skip Gram模型为基础,综合考虑上下文节点与中心节点距离的影响,提出了可以融合节点属性信息的节点向量学习模型。最后将其应用在推荐任务中,在多个公开数据集上通过对比实验表明该算法可以有效提升算法的推荐精度,并在冷启动推荐问题中取得了良好的效果。针对用户-物品二分网络下的推荐问题,本文提出了一种基于网络表示学习的卷积协同过滤推荐算法（Bipartite Network Convolutional Collaborative Filtering,Bi-NCCF）。具体来说,该算法首先将二分网络分解成用户、物品同质网络,继而在两个同质网络中利用Graph SAGE算法分别得到结合了网络空间信息与属性信息的用户、物品特征向量,并通过外积运算丰富用户、物品特征向量各维度的相关表示,最后设计卷积神经网络学习用户与物品间的复杂交互信息,由训练得到模型预测用户与物品的交互概率,实现Top-N推荐。在多个公开数据集上经对比实验,验证了算法的可行性与有效性。