大数据时代,推荐系统是帮助人们解决信息爆炸问题最有效的工具之一,但传统的推荐系统往往面临着数据稀疏和冷启动两大问题。近年来,社交平台的快速发展,使得各应用平台都产生了丰富的社交信息,因此有学者提出社会化推荐系统,在推荐系统中引入社交关系来提高推荐效果。虽然目前已经有许多研究工作取得了不错的成果,但多数研究都基于显式社交关系,而显式社交关系往往存在数据稀疏和噪音问题。为了弥补显式社交关系的不足,本文提出一种基于网络表征学习的隐式关联用户挖掘方法,从用户-项目评分信息中抽取出可靠的隐式关系,并结合显式关系共同融合到基于矩阵分解的推荐系统中,提高了推荐质量,并在一定程度上缓解了数据稀疏和冷启动问题。本文的主要贡献如下:1)提出一种基于网络表征学习的隐式关联用户方法,从用户-项目评分信息中抽取出可靠的隐式关系作为社交关系的补充,弥补显式社交关系的不足。具体而言,本文先设计了一种改进单模投影法,将用户-项目二部图转化成用户兴趣交互网络,然后应用网络表征学习从中获得用户的低维特征表示,最后根据相似度计算,得到每个用户的隐式关联用户。2)提出一个融合了显式社交关关系和隐式兴趣关系的矩阵分解推荐模型INRec,将显隐社交关系作为目标函数的社会正则项共同优化,来解决推荐系统的评分预测问题。3)在三个常用真实数据集做了大量对比实验,结果表明,与其他经典的推荐算法相比,本文提出的模型不仅提高了推荐性能,还在一定程度上缓解了数据稀疏性问题。