随着移动网络的飞速发展,人们每天有机会接触越来越多的多媒体应用。而大规模、爆炸式的信息,通常让用户陷入选择困难。内容推荐服务作为筛选数据的有力工具,目前已经在移动网络中得到了大规模应用。在移动网络这个相对复杂的网络环境下,如何根据异质的数据内容、序列化的用户-内容交互行为,为用户推荐最合适的相关信息成了推荐领域的研究热点。信息异质指的是信息的来源及种类丰富。由于异质信息网络可以有效包含网络结构信息和丰富的语义信息,一些工作已经将异质信息网络用于建模推荐系统中不同类型节点之间的关系。然而,现有的基于异质信息网络的推荐方法大多只关注于网络中的表示学习过程,却忽略了异质边的重要性学习。而且,大规模的网络表示学习算法目前尚难以应用到数据规模巨大、需要及时响应用户需求的移动网络中。除了信息异质化之外,移动网络下的内容推荐服务中还存在着大量随时间顺序产生的用户-物品之间的交互行为,即序列化交互数据。其中,会话就是序列化交互数据的典型代表,其在移动网络应用中广泛存在。会话推荐服务常常需要通过这些序列化的用户-物品交互行为来识别用户的意图,从而为其推荐相关的内容。然而,移动网络中用户的选择是灵活多变,通过有限的用户信息和用户不确定的行为去预测用户个性化的偏好是非常困难的。因此,针对移动网络中内容推荐服务存在的信息异质化与用户-物品交互行为序列化这两个重要特征,本文研究了基于异质信息网络的推荐算法与会话推荐算法。具体工作如下:（1）针对移动网络中内容的异质化特征,本文提出了一种基于异质信息网络的推荐算法,称为HIN-MRS。该算法考虑了用户的兴趣偏好以及相关内容的异质关系,能够为用户推荐准确度更高、可解释性更强的内容。首先本文利用获取到的内容相关文本挖掘用户的内容偏好。然后按照用户的偏好主题构建规模较小的异质信息网络,并在此基础上设计了一种可以自动学习网络中异质关系的图算法来产生推荐结果。最后基于真实数据集的实验结果验证了该算法的可解释性、准确性以及在解决冷启动问题上的有效性。（2）针对移动网络中用户-内容交互的序列化特性,本文提出了一个多方面感知的会话推荐算法,称为MASR。该算法较全面的考虑了用户交互行为的序列特征、物品特征、用户当前兴趣、用户的长期偏好等多方面的因素。并采用了自注意力机制捕获当前会话的序列信息变化规律,对匿名会话中用户的下一次行为的预测更精准。和以往只针对稀疏序列化数据的模型相比,MASR模型考虑了用户除点击以外更细粒度的行为。最后,基于真实数据集的实验结果表明,所提MASR推荐结果更准确训练速度更快。