推荐系统通过分析用户的历史行为,对用户的兴趣进行建模,帮助用户从互联网上大量的信息中找到他感兴趣的内容。随着互联网和在线社交网络的发展,用户和内容之间的信息是多种多样的。虽然近年来针对推荐系统和社交推荐系统的研究很多,但是如何有效地利用异构信息和异构信息网络的结构来改善推荐系统则缺少较为系统的研究。异构信息网络上的推荐问题,无论是从用户兴趣建模和物品属性建模的理论角度,还是从实际应用的需求来看,都具有重要意义。　　 本文针对异构信息网络中的个性化推荐问题的关键技术进行了深入的研究,包括异构信息网络中的Top-N推荐和评分预测问题。本文的主要工作和贡献如下:　　 1.提出基于异构信息网络元路径的Top-N推荐的方法。异构信息网络中的元路径包含不同类别的节点和边的类型,从而可以代表不同的语义信息。我们通过异构信息网络上的元路径来连接异构用户和物品,从而可以表示用户和物品之间不同的异构关系。我们发现先前的大部分相关工作都可以用元路径来表示和解释。我们提出一种基于元路径的得分扩散算法,能够针对特定的元路径,有效地计算针对某种特定的元路径上用户对物品的喜好,根据这个喜好,我们可以对用户进行Top-N推荐。然后我们通过监督学习的方法,把不同类型的元路径的得分进行线性融合。在真实数据集上的实验结果表明,通过基于元路径的得分扩散算法,以及多路径融合的方法,可以显著地提高Top-N推荐的准确率。　　 2.提出基于异构信息网络的图正则化矩阵分解模型。我们在矩阵分解模型的基础上,提出了两种针对异构信息网络的更具一般性的基于图正则化方法。通过这两种方法,我们可以充分利用不同类型的异构信息和异构网络结构,比先前社交推荐系统中的方法更具一般性和可扩展性。实验结果表明,我们的两个模型都可以更好地利用异构信息,在评分预测问题上可以得到更好地效果。