推荐系统是近十年来非常热门的研究方向。而近年来表示学习技术的迅猛发展,也大大推动了推荐系统技术的进步。在本文的研究中,我们主要探究了如何将一种新的表示学习技术,图嵌入技术分别应用到两个常见的推荐问题上:即面向个人用户的物品或朋友推荐,和面向群组用户的物品推荐。传统的面向个人用户的推荐主要采取协同过滤算法,然而协同过滤主要面临三个挑战性问题:(1)数据稀疏性问题;(2)推荐效率问题;(3)用户决策的复杂性,即社交网络平台中用户选择物品不仅考虑自身兴趣,还会参考朋友的选择。反之,用户选择朋友也同样会考虑用户与物品间的交互关系。针对以上问题,本文提出了不同场景下两种面向个人的推荐算法。针对问题(1)和(2),本文提出了一种高效的自适应混合协同物品推荐算法。该算法利用计算内容张量相似度的方法得到基于内容的推荐结果作为辅助信息,从而缓解数据稀疏性问题;同时,为了提高效率,本文采用了一种图上的短路径枚举叠加算法;最后,采用自适应的混合方法融合以上两种方法的推荐结果,提高推荐性能。另外,针对问题(1)和(3),本文提出了基于图嵌入技术的面向个人的联合用户和物品推荐算法。该算法利用用户物品交互图和用户社交关系图中用户的二阶相似度构建两种用户隐式关系图,从而缓解数据稀疏性问题。并且,在图嵌入技术的基础上提出了一种联合图嵌入模型,模拟用户复杂的决策过程。最后通过训练得到用户与物品的特征向量,用于推荐。对于面向群组(尤其是临时群组)的物品推荐来说,主要面临两个挑战性问题:(1)聚合策略的选择;(2)冷启动与稀疏性问题,临时群组可以随时组成并且没有任何历史记录。针对以上问题,我们首先提出了一个合理假设,认为群组中的成员都有不一样的影响力,并且会随着所在群组的不同而改变。接着,本文提出了一种基于图嵌入技术的面向临时群组的物品推荐算法。该算法首先利用二部图嵌入技术充分学习用户物品交互图中每个用户的特征向量;其次利用社交关系图结构学习用户的社交影响力,然后用一种注意机制计算用户在每个群组中的影响力,融合用户个人特征向量得到群组特征向量。这些策略有效地解决了以上两点问题。我们在多种公开数据集上验证本文提出的三种算法的效果。实验结果表明,本文提出的面向个人或群组的推荐算法对比同类型推荐方法能够取得更高的准确度。