随着互联网的迅速发展,每天都有海量的数据产生,因此如何组织这些数据就成了一个非常关键的问题。事实上,生活中的大部分数据都可以通过网络,或者说是图来刻画。例如,人们的社交关系可以构建出一个社交网络,人作为结点,人们之间的联系作为边。基于此,图嵌入技术开始逐渐兴起。图嵌入本质上是一种表示学习的方法,它将图映射到低维空间,同时保留图的结构信息以及结点本身的属性。这对于许多下游任务都有非常显著的提升,例如节点分类,链接预测,推荐系统等等。本文主要研究基于神经网络的图嵌入方法。从最早的基于随机游走的模型开始,各种各样的基于神经网络的图嵌入模型被提出来。近期效果比较好的模型是图卷积神经网络(GCN),它通过卷积层来聚合结点周围的邻居结点,从而学习局部的邻居信息。然而这种方法输入的是单个的结点,只能学习到有限的局部信息,而且邻居的定义比较固化。基于存在的上述问题,本文提出了一种新的子图卷积网络,它以子图而不是单个结点作为模型的输入。首先根据已有的数据构建异质图,把实体抽象成结点,实体间的联系抽象成边。在整个图中抽取出一个个的子图,并学习子图的嵌入表示,从而将子图输入进子图卷积网络,聚合子图的信息,学习结点的嵌入表示。本文主要以推荐系统作为应用场景,推荐系统可以看作链接预测的问题,即预测用户与项目之间是否会有链接(点击)。本文的主要内容如下:1)研究分析了当前图嵌入技术以及推荐系统的发展现状,并规范化表示基于图网络的推荐问题,在该问题中,用户和项目以及它们之间的联系都以异质图表示。2)基于本文提取子图的需求,结合本文的应用场景,提出了两种子图提取的方式并分析其优缺点。3)针对当前图卷积网络的缺陷,提出一种新颖的子图卷积网络。从整个巨大的图中生成自定义的子图,借鉴自然语言处理中的做法,学习子图的嵌入表示。同时子图相对于将所有一阶二阶邻居信息一起卷积,也更加灵活。而且由于输入的是子图,已经包含了相对丰富的邻居信息,那么在后续的卷积操作中,就可以减少卷积层的个数,有利于提高效率。4)本文采用了同时学习的策略,也就是说,图嵌入和下游的链接预测任务同时进行学习,这样可以有针对性的提升任务效果。最后,本文使用真实数据集进行了大量的对比实验,包括与其它模型的对比以及模型本身不同参数的对比。通过对比实验可以看到,本文提出的模型有较好的效果。