近年来,社会网络的蓬勃发展给人们的交流和生活带来了极大的便利,越来越多的人从社会网络中建立并维持社会关系。在构建网络用户间链接关系的同时,用户的其他行为如评分也能被系统所记录。这些收集到的数据能够被进一步分析,并更好地提升各种社会网络体验。为了构建更加完善的社会网络,鉴于网络稀疏性的影响,首先需要对网络用户进行链接预测。目前各类社会网络大多具有好友推荐等功能,也就是正向链接预测,然而很少有社会网络考虑负向链接预测。同时,常见的链接预测算法容易受到网络稀疏性等影响,实际效果并不好。因此,本文提出了一种基于网络表示学习的符号网络链接预测算法,通过对正向链接和负向链接的有效建模,学习网络用户的低维表示向量,并用其进行链接预测。更进一步,由于社会网络中的用户具有购买,评分等行为,而这些行为又常常受到其链接用户的影响,因此,基于社会信息的推荐技术已经成为提升推荐性能的有效手段。然而,现有的社交推荐技术往往仅停留于对链接用户影响的笼统归纳,并没有对其内在作用机制进行清晰分类和量化。针对这一问题,本文对社交链接用户对待推荐用户的影响机制进行研究,提出了一种新的基于用户间信任关系融合建模的概率矩阵分解模型。综合来看,本文的研究内容和贡献如下:1)对基于网络表示学习的符号网络链接预测方法进行研究。本文首先通过数据分析验证了符号网络中二阶距离对链接预测的重要作用。接着,利用网络表示学习技术分别捕捉一阶距离以及二阶距离,并设计了相应的优化算法进行求解,进而得到网络对应的低维表示向量。最后,在两个真实数据集上的广泛实验验证了本文提出模型的有效性。2)对基于信任机制下概率矩阵分解的用户评分预测方法进行研究。本文通过对用户信任关系进行分析,利用概率矩阵分解模型有效融合了信任用户直接影响用户评分和间接影响用户偏好两种不同机制。在此基础上,针对不同用户受到两种机制影响权重不同的问题,通过借助用户评分相关性对其进行聚类并映射到相应权重,进而实现个性化用户模型参数选择。最后,在公开数据集的多项实验验证了本文提出技术框架的有效性。