协同过滤推荐技术在Netflix百万大奖赛中脱颖而出后,已成为推荐系统发展史上发展最快、应用最广的一类算法,但是它们仍然受到数据稀疏性和冷启动问题的严重影响。研究发现引入辅助信息可以缓解协同过滤技术面临的数据稀疏性和冷启动问题,先前的工作中利用的辅助信息多是用户之间的社会关系、用户和商品的属性信息等,然而这些方法会将不同类型的信息区别对待,分别存储和处理,这势必造成有效信息的损失。异构信息网络对多种节点类型和节点间复杂的边类型有天然的表示和处理能力,所以本文在异构信息网络上做推荐,融合异构信息来缓解协同过滤技术面临的数据稀疏性和冷启动问题,以增强基于协同过滤推荐方法的性能。本文的主要目的是充分利用异构信息网络中蕴含的多元化信息和贝叶斯深度学习方法优秀的特征学习、推理能力,提出一种融合异构信息的混合推荐方法,增强传统协同过滤方法的推荐性能,提高推荐的准确性和可解释性。在实现过程中,基于异构信息网络的推荐系统需要面对两个问题,一个是在推荐时如何有效地表示网络中高层次的语义信息,再一个是如何对异构信息进行融合从而增强下游的推荐任务的性能。为了解决这两个问题,本文用元路径来捕捉异构信息网络中蕴含的丰富的语义信息并用深度学习方法学习异构信息网络中节点的高层次特征表示,同时用“概率矩阵分解+深度学习+异构信息表示”的框架实现对异构信息融合并学习到用户和待推荐商品的潜在低维特征表示向量,两向量的乘积即为最终的预测评分,最终将某用户评分最高的N个商品推荐给对应用户。本方法将异构信息网络分析捕捉丰富信息的能力和贝叶斯深度学习优秀的低维稠密特征学习和推理能力相结合,这也是第一次将基于异构信息网络的节点特征学习方法和贝叶斯深度学习方法结合做推荐。在实验结果分析部分,我们将本文中所提出的方法和目前应用广泛的七种推荐算法在扩展MovieLens数据集上的性能做对比。在准确性方面,本文中提出的混合推荐算法在MAE和RMSE性能上优于所有的基准对照算法;并且,本文算法利用的异构信息中包含了电影的属性信息,可以在一定程度上缓解冷启动问题;此外,本算法是在异构信息网络中展开的,将基于不同元路径得到的预测评分值融合得到最终的预测评分值的步骤中,在用监督学习方法得到每一条元路径对应评分的权重值时,每一条元路径对最终评分的影响大小一目了然,提高了推荐的可解释性。