刘 峰，王宝亮，邹荣宇，赵浩淳

（1.天津大学 信息与网络中心，天津 300072；2.天津大学 电气自动化与信息工程学院，天津 300072；3.天津大学 国际工程师学院，天津 300072）

0 概述

随着互联网和人工智能等信息技术的快速发展，信息量呈指数级的增长，信息过载问题日益突出。为解决这一问题，个性化推荐系统应运而生［1］。个性化推荐系统根据用户历史行为数据进行建模分析用户偏好，进而为其提供个性化的信息推荐，方便用户获取自身需求的信息［2-4］。推荐系统在给每位用户提供有针对性的商品信息推荐服务的同时过滤掉了那些用户并不感兴趣的信息，有效地节约了人们的信息筛选时间。个性化推荐系统由于在信息推荐方面的优秀表现，已成为热点研究方向。

随着各类互联网业务的快速发展，各种辅助信息的获取越来越容易，而将这些辅助信息应用于推荐算法中，将提升推荐性能，但这也对推荐算法的建模能力提出新的挑战。基于图模型的推荐算法是当前的热点方向，但是不易融合辅助信息，而网络表示学习（Network Representation Learning，NRL）强大的网络提取能力与基于图模型的推荐算法相结合，能提升算法的可扩展性。总体而言，网络表示学习是以稠密、低维的向量形式表示网络中的各个节点，并使这些低维向量具有表示和推理能力，从而将这些向量作为输入应用于节点分类、链接预测和推荐系统中。

基于上述设计思路，研究人员将网络表示学习技术应用于推荐算法中以提高其建模能力。……