推荐系统的主要功能是根据已有的用户交互信息向用户主动地推荐符合用户兴趣偏好的信息或商品,在大多数电子商务网站取得了广泛的应用,推荐算法性能的优劣将直接影响到用户的体验以及商家的收益。然而,大多数推荐算法的性能都容易受到冷启动和数据稀疏问题的影响。为了缓解该问题,常用的方法是引入额外的辅助信息来提升推荐系统的性能。近年来,由于推荐系统中存在着丰富的节点和边的关系,自然构成了一个异质信息网络,利用异质信息网络建模推荐系统进行推荐取得了较好的效果。但是目前大多数算法只利用了基于元路径相似度的方法,不能有效利用网络的高阶相似度,并且多数算法不能很好地将多条元路径下的高阶相似度进行高效地融合。此外,在局部低秩子矩阵划分问题上,现有的工作大多基于随机选取锚点并进行子矩阵的划分,不能很好地利用异质信息网络的丰富语义信息,如何结合异质信息网络去更好地划分子矩阵并有效选择锚点是一个值得研究的问题。针对上述问题,本文的主要工作如下:1.提出了基于矩阵分解的协同过滤模型和异质信息网络表示学习结合的框架HRLRec。该模型能够同时利用用户、商品的隐含表示和多个元路径下的有机融合后的高阶相似度共同预测评分,并使用基于元路径PathSim相似度的正则项来约束用户和商品的隐含表示,充分利用异质信息网络的丰富结构和语义信息,以提高评分预测的效果。2.为了在划分局部低秩子矩阵时更加精确,本文将异质信息网络表示学习算法引入到划分过程中。利用具有高阶相似度的节点特征分别对用户和商品嵌入向量聚类,将每个簇的中心作为锚点,利用核函数和距离阈值来决定每个子矩阵包含的元素,得到子矩阵的划分,提升了子矩阵划分的准确性。之后在每个子矩阵上进行矩阵分解,将得到的隐含表示使用核函数来决定预测点和子矩阵锚点的相似性,并通过带权预测评分的方法提升推荐的效果。3.采用Python语言实现了论文中提出的模型和算法,在实验部分采用真实数据集验证本文提出模型的有效性,并与相关的推荐算法进行对比,讨论了模型中所涉及到的参数。