随着信息技术和互联网的飞速发展,人们进入了“信息过载”的时代。个性化推荐是解决“信息过载”的有效途径,并且在生活服务中发挥着举足轻重的作用。在传统的推荐算法中,比如协同过滤算法和矩阵分解算法,它们通常只考虑用户和物品的历史交互记录进行推荐,从而导致用户和物品建模产生偏差,影响个性化推荐的准确性。近年来,异构图神经网络作为一种融合复杂信息网络的建模方法被提出。由于异构图神经网络在建模异构性数据方面非常灵活,因此常被用在推荐中表示丰富的辅助信息,基于这种设定下的推荐算法称为异构图神经网络的推荐算法。在早期,异构图神经网络的推荐算法主要基于元路径的相似性来进行推荐,然而这种方法无法有效的提取和利用异构图中丰富的结构信息和语义信息。在异构图中获取辅助信息主要存在以下挑战:（1）如何采样与每个节点的嵌入生成密切相关的异构邻居;（2）如何设计节点编码器来解决不同节点的内容异构性;（3）如何区分节点邻居之间的细微差别并选择一些信息丰富的邻居;（4）如何选择最有意义的元路径并为特定任务融合语义信息。针对异构图中存在的相关挑战,本文提出基于异构图神经网络的个性化推荐,具体相关工作如下:（1）提出了一种基于异构特征聚合深度网络的推荐算法,称为HFAN,用于充分挖掘异构图中用户和物品的潜在结构特征。在数据结构中,构建异构信息图并利用基于重启的随机游走策略来采样节点的异构邻居。在表示学习中,设计了一个层次特征聚合深度网络,包括同类型和不同类型特征聚合网络,可以更好地捕获异构图复杂的结构和丰富的语义信息。在模型预测中,将学习到的最终节点嵌入通过融合函数进行转换,然后集成到矩阵分解模型中完成特定的评分预测。在三个真实数据集上进行大量的对比实验,验证了HFAN模型在评分预测推荐任务上的有效性,并且性能优于基于矩阵分解的推荐算法。（2）提出了一种基于异构层次注意力网络的元路径推荐算法,称为HHAN,用于对不同类型的节点及其丰富的属性和交互关系进行建模。首先利用节点的邻居属性信息对节点的表示进行加强,并对不同类型的节点嵌入进行空间转换。然后设计了一个层次化的注意力网络,它可以充分考虑节点对邻居和元路径的偏好,并分层聚合基于元路径的邻居的特征来生成节点嵌入,学习到的节点嵌入可以更好地获取异构图的结构信息和语义信息,并完成特定的Top-K排序推荐。在三个真实数据集上进行大量的对比实验,验证了HHAN模型在Top-K排序推荐任务上的有效性,并且性能优于基于协同过滤的推荐算法。