随着信息技术的发展以及移动终端的普及,互联网数据不断膨胀。海量信息在丰富人们生活的同时也使得人们难以定位到自己需要的数据。如何帮助用户高效地筛选有用的信息是当前大数据时代亟待解决的问题。推荐系统根据用户历史数据推断用户的兴趣爱好,帮助用户寻找需要的信息,能够在一定程度缓解信息爆炸问题。推荐算法受到学术界和工业界的持续关注,不同类型的技术被相继提出,其中一类代表性算法是协同过滤算法。协同过滤算法简单高效,主要依据用户的交互数据发现用户的兴趣。可是当用户与商品的交互数据不足时,推荐的效果并不占优势。而在现实系统中,用户和商品往往具有包括文本、图片和标签等丰富的上下文信息,可以为推荐系统提供更多可利用的资源。然而,这些信息在类型和结构上呈现出多样性和复杂性,如何有效融合此类多上下文信息是当前推荐算法面临的重要挑战之一。为此,本文重点考虑了两种不同类型的上下文信息:1)针对离散型的标签数据,以用户、商品和标签为节点,构建“用户-商品-标签”异质网络。在异构图定义多种具有语义的元路径,并以元路径有方向的在异构图上游走,把图的结构信息转为序列形式的数据。元路径能够捕捉到用户（或商品）在离散属性意义下的高阶相关性,并用SPPMI度量这种相关性。2)针对连续型的文本信息,以文本信息表示每个节点的特征,通过拉普拉斯正则化约束度量节点间的文本特征相似度,能够补充用户与用户、商品与商品间的语义相关性。最后根据不同类型上下文特点构建不同的相似度网络,设计目标函数在多种上下文信息网络的约束下进行联合矩阵分解,并学得用户和商品的表征。我们在多个数据集上进行了充分实验,结果表明,融合多种类型上下文信息的协同过滤算法不仅提高了推荐的效果,满足用户个性化需求,而且该方法能有效缓解数据稀疏性问题。