个性化推荐系统已经越来越广泛的出现在人们的网络生活中,比如各种电子商务平台的商品推荐和内容消费平台的广告。推荐系统方便用户从大量的选择中发现一小部分符合自己个性化兴趣的相关物品。然而推荐系统同样面临着许多问题,比如数据稀疏,冷启动等。如今在线平台中用户和物品的多样化辅助信息变得越来越多,最近的证据表明,将这些辅助信息与协同推理结合起来,可以更好地捕捉用户与物品之间的潜在的复杂关系,从而解决数据稀疏和冷启动的问题。在本论文研究中我们主要关注网络形式的辅助数据,比如社交网络和知识图谱。我们可以通过挖掘用户端的社交关系来提高推荐性能,同时可以利用物品端的知识图谱来增强推荐物品的语义。由于推荐问题中天然存在着这样的大量的网络结构,因此如何将网络结构数据分析与推荐系统相结合是一个亟待解决问题。在本研究中,我们使用网络特征学习的方法去处理推荐系统中的相关特征,并将学习得到的特征应用到推荐系统中用户端的社交网络和物品端的知识图谱,来有效地增强推荐系统的学习能力。针对网络结构数据学习及其在推荐系统中的应用,本文主要开展了以下几个方面的研究:（1）研究新的网络特征学习方法。为了更好的利用网络结构数据,并应用到推荐系统中,我们首先研究如何将大规模的网络数据表示成低维形式,也就是网络特征表示学习。为此我们提出了一种新的基于注意力对抗自编码的多尺度网络表示学习。现有的网络表示学习方法在涉及多尺度结构信息（如节点的一阶和二阶接近度）时,通常采用“一刀切”的方法,忽略了不同尺度在网络嵌入学习中的不同作用。我们提出的方法通过对不同尺度的权重学习来促进了不同尺度的融合,从而获得稳健的网络节点表示。（2）利用网络特征学习的方法将用户端的社交网络信息融合到推荐算法中。提出一种基于异构网络上下文传播模型的社交视频推荐。传统的视频推荐方法主要集中在利用内容特征或者简单的用户与视频交互来模拟用户的喜好。但它们未能对复杂的视频上下文相互依赖性进行建模,而这种复杂的视频上下文在通常隐含在社交网络的异构辅助数据中。我们提出了一种基于图神经网络的上下文传播推荐模型,用来学习网络中准确的视频节点嵌入表示。这种视频节点的嵌入表示可以捕捉异构网络中视频的全局上下文线索,从而提高推荐性能。此外,由于来自连接节点的扰动可以在图中聚集,从而对目标视频节点产生影响,所以图结构极易受到对输入视频特征的小而有意的扰动攻击。为了增强推荐鲁棒性,我们还提出了一种新的对抗学习的优化框架。我们将对抗训练优化方法加入到嵌入传播层。（3）利用网络特征学习的方法将物品端的知识图谱信息融合到推荐算法中。现有的基于知识图谱的推荐方法主要依靠人工设计的的元路径特征或简单的三元实体嵌入,无法自动捕捉实体之间的长期关系依赖性进行推荐。特别是实体嵌入学习在结合用户-项目交互信息和知识图谱上下文信息方面设计得不够合理。提出了一种名为知识图谱增强的神经协同过滤推荐方法,该方法学习知识图谱中用户和物品之间的路径嵌入来辅助稀疏的交互信息,从而捕捉到用户和物品之间的复杂的隐藏关系来进行推荐。