近年来,互联网技术的迅猛发展极大地丰富了网络的内容。一方面,丰富的网络信息极大地便利了人们的日常生活,另一方面,巨大的信息规模使得人们难以快速获取所需信息。在此背景下,推荐系统应运而生,通过利用用户的历史行为信息分析用户的兴趣偏好,生成满足用户需求的推荐内容。目前,推荐系统的相关研究和应用都取得了不错的进展。研究表明,异构信息网络可以有效地分析用户的历史行为信息,将其作为信息建模方法应用于推荐系统,能够深度挖掘用户的隐式反馈信息。但现有的基于异构信息网络的推荐算法仍面临低质量信息和数据稀疏性两方面的问题,这将导致对用户偏好的预测出现偏差,进而降低推荐效果。针对上述问题,本文考虑分别从低质量信息过滤和融入其他辅助信息的角度对推荐算法进行改进,具体的研究内容如下:（1）针对低质量信息会影响推荐效果的问题,本文在第三章中基于异构信息网络提出了一种信息过滤机制。具体地,异构信息网络中的丰富语义信息可以通过元路径获取,不同元路径上获取的信息语义不同,信息质量也不同。高质量的语义信息可以更准确地反映用户的个性化特征信息,有利于生成更准确的推荐结果;而低质量的语义信息不仅对推荐产生干扰,还增大算法的运行时间,并降低推荐效果。因此,本文将从元路径的角度出发对语义信息的质量进行评估,并筛除其中的低质量语义信息,进而减小低质量信息对推荐造成的负面影响。（2）本文在第三章中考虑将用户的标签信息融入推荐中,一方面是为了缓解数据稀疏性问题,另一方面是为了获取用户对物品的主观态度。具体地,通过元路径可以挖掘异构信息网络中实体的潜在语义关系,然后借助用户-物品之间的潜在关系进行推荐。但在推荐时无法获知用户对物品的真实态度,而用户的标签描述了用户对物品的理解和评价,反映了用户对物品的主观态度。因此,在推荐中融入用户的标签信息不仅可以缓解数据稀疏性问题,还可以更准确地预测用户对推荐物品的满意程度,从而实现更准确地推荐。（3）本文基于异构信息网络的场景,还提出了一种融合用户社交信息的个性化推荐算法,即PRSH算法。该算法的核心内容分为两部分:一是借助异构信息网络分析用户之间的潜在关系,将显式的社交关系和隐式的社交关系融合在一起,从而更准确地分析用户的个性化特征;二是考虑用户之间信任关系和不信任关系对推荐效果的影响,以及信任关系和不信任关系的相互影响,并由此构造一个正则项加入评估用户相似性的矩阵分解模型中。综上所述,本文基于异构信息网络的场景,提出了两种改进的个性化推荐算法,即PTRS算法和PRSH算法。其中,PTRS算法考虑从信息过滤机制和融入用户标签信息两方面改进,PRSH算法考虑融入用户社交信息进行改进。最后,通过在两个真实数据集上的实验,验证了所提算法的有效性。