推荐系统是当前缓解信息过载问题的主要手段之一。它为用户筛选掉大量冗余、不相关的数据并从中挑选出有价值的信息,这不仅大幅改善了用户体验,同时也显著地提升了企业的商业收益。协同过滤是搭建个性化推荐系统的关键技术,它着重于通过集体智慧和经验来推断用户对物品的偏好。该技术面临的主要挑战是“用户-物品”交互数据稀疏的问题。现如今社交媒体迅速发展,社交网络中流通着大量与用户兴趣偏好相关的信息。因此,用户社交链接成为稀疏的交互数据的关键补充,使用社交信息的社会化推荐模型可以实现更准确和可解释的推荐。传统的社会化推荐算法只考虑用户的一阶好友,而忽略了用户和他高阶近邻之间的信息传播。网络嵌入技术的流行为社会化推荐系统提供了新思路,它能够保证网络中具有相似结构的高阶近邻在隐空间中也有相似的嵌入。近期涌现出一些结合网络嵌入和矩阵分解的社会化推荐方法。这些方法大多预训练网络嵌入模型然后再把信息传递给下游的矩阵分解,这导致模型无法捕获适用于推荐任务的网络特性。此外,它们只关注于使用社交网络增强用户的特征表示学习,而忽略物品维度的特征表示。针对上述问题,本文提出了两种联合学习矩阵分解和网络嵌入模型的社会化推荐方案。第一种方案通过特征表示对齐的方式,把矩阵分解和网络嵌入模型集成到统一的优化框架。在联合学习的过程中两个任务相互增强,评分信息的监督使得网络嵌入模型学习到的网络特征更适用于推荐任务,而矩阵分解在融合多种信息的情况下也将获得更有判别性的特征表示。此外,显式的社交网络和隐式的“物品-物品”网络被协同使用,以此来同时增强用户和物品的表示学习。在三个公开数据集上大量的对比实验表明,通过特征表示对齐联合学习的方式以及双网协同嵌入都可以大幅提升模型的推荐性能。为了更深层次地建模用户和物品特征表示的交互,并完整地保留网络结构信息以及评分数据中的用户偏好和物品特性,本文提出第二种联合学习方案。该方案在保留适用于推荐任务的网络特性的同时,通过使用评分信息单独训练一部分特征表示的方式保留完整的用户偏好和物品特性。此外,我们使用多层感知器赋予模型非线性来学习用户和物品特征表示的交互。最后,对比最先进的社会化推荐方法的实验结果有力地验证了考虑上述两点的联合学习模型的有效性。