互联网信息持续快速增长,以搜索引擎为代表的网络信息检索方式已不满足用户需求,推荐算法及系统在电商、娱乐、新闻等等行业已获得广泛关注和应用。近年来,在经典的基于内容的推荐算法、基于用户的协同过滤推荐算法和基于项目的协同过滤推荐算法的基础上,学者们提出了许多新的推荐算法,包括隐语义模型LFM（Latent Factor Model）、奇异值分解SVD（Singular Value Decomposition）、贝叶斯个性化排名BPR（Bayesian Personalized Ranking）、因式分解机FM（Factorization Machine）、交替最小二乘法ALS（Alternative Least Square）、神经协同过滤NCF（Neural Collaborative Filtering）、受限玻尔兹曼机RBM（Restricted Boltzmann Machine）等算法。这些研究极大的推动了推荐算法的研究和应用。但是,在面对实际应用系统时,这些算法经常遇到下列2个问题的挑战:1.算法难以对新用户或新项目进行有效推荐,产生“冷启动”问题。2.用户、项目交互数据占比很低导致评价矩阵具有很高的稀疏性,通常评价矩阵的稀疏性能达到90%以上,形成“数据稀疏性”问题,使得计算消耗高、效率低。为此,本文提出了一个基于异质特征深度残差网络的推荐算法HRN（Hybrid ResNet）以解决上述问题。与传统特征混合方案不同,HRN包括一个特别的数据转换模块,使用三元组损失函数Triplet Loss,利用用户与项目间的协同关系来增强基于内容的嵌入,将用户和项目数据转换成加权混合嵌入。HRN接着再将加权混合嵌入和异质特征向量作为深度残差网络的输入,经过训练得到所需结果。HRN将各种不同性质的特征向量融合成异质特征向量,再对新用户/新项目与其他用户/项目进行相似度评估并据此做出推荐,多元化的数据来源能够缓解“冷启动”问题。HRN使用主成分分析方法PCA（Principle Component Analysis）对特征化后的高维矩阵嵌入进行降维,将其映射到低维空间,将高维稀疏嵌入转化为低维稠密嵌入,提高空间利用率,能够解决高内存占用和计算时间长的问题。实验结果表明,在MovieLens（100K）和MovieLens（1M）等数据集上,与SVD、NCF等多个算法比较,HRN在如RMSE、MAE等多个评价指标上,均有较好表现。