伴随移动互联网发展而来的是信息资源的不断增长和社交网络的蓬勃发展,海量资源在给人们日常生活带来便利的同时也为信息的有效筛选增加了困难。基于深度学习的推荐算法可以实现有效的特征提取,对推荐系统辅助信息中隐藏的深层特征进行挖掘可以缓解数据稀疏问题。此外,通过提取用户社交网络中所蕴含的信息能够提高推荐质量。因此,基于深度特征学习研究社交网络中的推荐算法具有一定的意义。针对社交网络中基于深度特征学习的推荐算法展开研究,主要包括以下两个方面:一是传统的推荐系统在推荐过程中仅仅考虑使用用户对项目的评级进行评分预测,忽略了在推荐过程中除用户项目评级以外的其他辅助信息所带来的影响;二是基于社交网络的推荐模型如果仅仅考虑将用户项目交互信息和用户社交网络信息作为两个独立的任务来获取用户感兴趣的内容,这在一定程度上会忽略用户偏好在社交网络上的具体传播过程,这为用户最终生成的推荐列表的准确性会产生了一定的影响。针对以上问题,本文的主要工作和研究成果如下:（1）针对传统的推荐系统在推荐过程中仅仅考虑使用用户对项目的评级造成评分预测准确率低的问题,提出了一种基于评分矩阵和项目属性的深度推荐模型。首先,将运用静态编码方法表征出的用户和项目属性向量作为深度神经网络的部分输入,同时利用多层神经网络学习出用户和项目以及两者在属性边信息上的一阶特征;其次,在两者的一阶特征基础上进行特征映射和特征拼接操作获取用户和项目的二阶和深度特征,最后根据用户和项目的深度特征实现评分的预测。在不同推荐数据集上的实验结果表明所提出的推荐模型能够有效缓解评分矩阵稀疏问题,且其多数评分预测的指标都优于目前其他的推荐模型。（2）针对传统的社交推荐模型存在的用户项目交互信息和用户社交网络信息融合度不高的问题,提出了一种基于图神经网络的偏好传播社交推荐模型。首先,对用户和项目进行嵌入层编码并作为图神经网络的输入,同时定义了用户的高阶信任和波纹集合;其次,运用注意力机制对波纹集合中的项目和高阶信任集合中的用户所蕴含的偏好信息进行聚合与传播,最后根据偏好传播后所得的用户特征实现评分的预测。除此之外,在真实数据集上进行的不同实验结果证明所提出的推荐模型能够充分结合用户项目交互信息和用户社交网络信息传播用户偏好,与其他推荐模型相比较,所提出的模型在预测和分类准确度方面都有一定的提高。