随着电子商务技术的发展,推荐系统的被广泛地应用于发掘用户兴趣,以提高商品销售量,在实际的推荐系统应用中,基于邻域的推荐系统是最为常见的推荐模型。在传统的基于邻域的推荐系统中,推荐过程首先通过用户物品之间的反馈关系来计算相似度矩阵进而确定自己的邻域节点,然后通过邻域节点的对于预测值进行影响。研究表明,将用户物品反馈信息和外部的信息例如电影的演员分类等,进行融合之后将会有效的提高推荐系统的准确度,而且还能解决以前邻域模型中的高计算复杂度的问题。为了处理逐渐增加的数据类型,研究者们提出了将学术异质网络中的研究方法引入到推荐系统中来,但是这些新的模型并没有注意到基于反馈关系和其他外部数据之间的差异,而这将在实际的推荐过程中引发严重的性能和与运行时间问题。本文详细分析了用户电影数据与学者论文数据的用户行为的差异,并以此为基础重新定义了推荐系统中的异质网络(HIN-RECSYS),提出不通过不确定的用户-物品关系来确定初始邻域,以避免系统运行初期高耗时的相似度矩阵的计算。在此之后,本文提出了一种叫做Heter-Neighbor的模型通过将新确定的邻域和传统的SVD++模型相结合,一方面通过外部数据快速的确定初始邻域,另一方面通过矩阵分解以及全局优化的方法将传统基于反馈的相似度进行快速迭代计算,保持了传统邻域推荐系统优势的同时,避免了因新数据的引入而导致系统运行时间的增加。经过实验分析发现Heter-Neighbor模型在处理异质网络数据的时性能要优于SVD++以及其他基于矩阵分解的经典算法。