随着互联网的发展和各种移动设备的普及,带来了网络中的信息量爆炸式增长。由于流量变现的刺激,研究者们逐渐把目光投入到广告推荐领域。在广告推荐场景中,用户数量和广告数量快速增长,如何基于用户画像从海量的广告库中为用户提供个性化、精确化的推荐成为研究界和工业界普遍关注的问题。广告推荐场景可以建模成复杂网络,用户和广告代表网络中的节点,网络中的边表示节点对之间的关系。直观上看,用户的历史行为信息在用户兴趣挖掘上至关重要,而网络表示学习正是结合网络节点信息和结构信息的学习方式。目前的广告推荐系统主要存在以下问题:(1)广告推荐系统大都利用一些人工构造特征作为原始特征输入多层神经网络,没有很好的融合复杂推荐网络场景的结构特征与节点特征,模型训练存在人工先验偏差;(2)在复杂的网络场景中,节点是稀疏的,服从幂律分布,如何应对网络稀疏性以及网络信息冗余问题;(3)目前基于网络表示学习算法很难满足大规模复杂网络场景的需求,大规模网络表示学习落地实践较少。针对以上问题,本文进行了基于网络表示学习的推荐系统的研究与实践。主要的工作有:(1)提出了一种广告推荐场景下网络的构造方法和端到端训练方法。提出混合高阶学习框架H-GAT,利用混合高阶采样策略解决了网络表示学习的网络构建问题。借鉴DSSM模型,提出改进的图聚集双塔模型端到端的训练用户、广告的embedding,最终线上召回阶段使用Faiss库加速embedding检索的响应时间与精度;(2)针对广告推荐场景中的网络稀疏性和冷启动问题,探索并实现了一种针对网络稀疏性基于变分策略与特征重要性分配思想的图聚集模块VS-GCNs。在网络表示学习的基准数据集分类指标上较基线模型有大幅提升。(3)研究了分布式条件下基于网络表示学习的推荐系统的落地与优化。借助HiveQL和Hadoop streaming加速网络构建效率。使用GPU+PS集群+DataFlow对图神经网络进行加速训练。最终,论文研究实现的基于网络表示学习的推荐系统在快手广告部门实际运行。