随着互联网的迅速发展,各式各样的信息井喷式的呈现在人们的视野中,推荐系统变得日趋重要。传统的推荐算法饱受冷启动、数据稀疏性等问题的影响。而异构信息网络作为实际应用中广泛存在的网络结构,其蕴含的丰富结构信息对于解决上述问题很有帮助,异构属性图作为具有节点属性的异构信息网络则充满了更多的可能。得益于近几年计算机性能的飞速提升,深度学习的快速发展,以往运算复杂度高、高维非线性的异构属性图也能够利用深度学习算法进行学习。如何利用异构属性图中的拓扑结构与属性信息进一步提升推荐系统的性能,是本文的主要研究内容。它可以具体细分为两部分,即如何对异构属性图进行图嵌入,以及如何利用图嵌入进行推荐。针对异构属性图的图嵌入问题,本文提出了一种基于拓扑结构特征与节点属性特征融合的图嵌入算法AAGE(Autoencoder based Attributed Graph Embedding),并基于TF-IDF的思想提出了逆发生权重的概念。AAGE算法基于传统的自动编码机,通过逆发生权重对异构属性图的链接与属性赋权,引入嵌入层来处理结构信息的输入与属性信息的输入。同时本文基于一阶相似性和二阶相似性设计了损失函数,并给出了详细的推导公式。最终通过实验论证了算法的有效性。对于图嵌入的推荐算法研究,由于实际应用中的网络结构多为二部图,因此本文基于二部图针对性的提出了ENBI(Embedding Network-Based Inference)算法,从图嵌入的角度解决推荐问题。ENBI算法本质上是NBI(Network-Based Inference)算法在向量维度的扩展,它通过对二部图中的两类节点来回两次的资源分配,使得节点之间获得一个相对评分,并通过该评分生成推荐列表。本文在AAGE算法与ENBI算法基础上设计了推荐系统,并详细阐述了其实现细节,最终实验表明系统在多个评价指标上均具有优秀的表现。