随着网络和信息技术的发展,每时每刻都有大量的信息被发布到网上,信息的飞速增长使人们进入了"信息过载"的时代。无论对于信息消费者还是信息生产者,从大量的信息中找到有用的信息或使自己的信息脱颖而出,都非常困难。而推荐系统正是解决这个问题的有效途径。推荐系统的核心内容就是通过分析用户的历史数据进行建模,从而预测未来一段时间内用户可能的偏好行为,并做出相关推荐。在推荐系统中,协同过滤是最常用的一种计算相似度的算法,但仍存在数据稀疏性、可扩展性等缺陷,使得最后的预测结果有一定的局限性。针对现有算法的不足,本文提出了一种融合反馈信息和异质信息的推荐算法。本文主要的研究工作及创新点如下:1)本文详细介绍了皮尔森相似度算法,由于该算法仅考虑了用户的评分信息,忽视了用户的兴趣范围通常处于极端状态。考虑到这一点,本文对皮尔森相关系数进行了改进,提出了CPSim,使得对用户的推荐更集中于用户感兴趣的区域。2)考虑到传统协同过滤算法的缺陷,即只能计算出有共同评分项目的用户间的相似性,无法得到无共同评分用户的相似性,因此本文将CPSim与SVD算法相结合,利用SVD处理CPSim算法得到用户的相似矩阵,从而解决了该缺陷。3)本文提出了对PathSim的并行化计算,解决了该算法执行时间过长,内存消耗大等问题。并将反馈信息与异质信息相融合,提出本文的SF-H算法。既解决了基于异质信息网络的算法无法预测用户评分,从而无法直接应用于推荐系统的缺陷。也解决了基于用户评分的算法考虑的信息过于单一的缺陷。经过在Douban和Yelp数据集上的实验证明,本文的方法相比其他几种著名的推荐算法有更好的性能,此外还能有效地解决数据稀疏、可扩展性等缺陷。