大数据时代,个性化推荐系统作为对抗信息过载的有效手段,已然成为人们生活中不可或缺的一部分。网络数据广泛存在于各种推荐场景之中,譬如用于描述用户与物品交互关系的二分网络,以及由用户构成的社交网络、由地理位置构成的地理信息网络等等,这些网络数据从不同侧面传达着用户的多样化信息需求。本文聚焦于社会化推荐场景和路线推荐场景,根据两种应用场景的特点,提出两种结合网络嵌入的推荐方法。在社会化推荐方面,如何将社交网络嵌入与传统矩阵分解有效结合是该领域的热点问题。然而,现有方法仅使用了用户的显式或隐式社交网络,鲜有同时使用两种网络的研究范式;同时,大多数方法通常采用依次学习框架,网络嵌入模型独立于矩阵分解模型,进而导致模型之间无法相互促进。鉴于此,本文提出一种基于双重网络嵌入与矩阵分解联合学习的社会化推荐方法。该方法对用户的显式和隐式社交关系进行联合建模,以获得更准确的社会化嵌入;在统一学习框架下求解双重网络嵌入模型与矩阵分解模型的联合目标函数,以促进模型间的双向交互与协同优化,使得用户隐表示既蕴含了有助于推荐任务的社会化特性又保留了在社交影响下的行为特性,从而算法可以更加精准地捕捉用户的兴趣。基于三个公开数据集的大量实验结果表明,相比于现有社会化推荐算法,所提出方法的推荐性能大幅度提升。在路线推荐方面,基于循环神经网络(RNN)的轨迹嵌入学习是该领域的主流方法,旨在结合神经网络嵌入技术挖掘地理信息网络中的空间关系,从历史轨迹中学习用户的运动行为偏好。但是,现有方法未考虑地理场景中的拓扑约束问题,导致其模型学习效率较低;同时还忽略了关键位置与普通路段之间重要程度的差异,其推荐性能有待提升。鉴于此,本文提出一种基于拓扑约束的注意力网络嵌入模型并将其应用于路线推荐任务中。该模型首先将用户轨迹映射为顶点序列,然后通过RNN学习顶点的嵌入表示;同时将地理拓扑约束融入表示学习过程中,以此减少不必要的计算开销;此外,我们还在网络嵌入模型中引入注意力机制,以强化序列中的关键地理位置,以此降低序列中噪声位置对模型的干扰。基于大规模美团外卖轨迹数据的实验以及可视化结果验证了本文方法较之同类方法的优越性。