推荐系统旨在帮助用户寻找其感兴趣的事物（项目）,正被应用到越来越多的互联网服务中。推荐任务通常可形式化为评分预测任务,即预测用户对候选项目的评分。基于协同过滤（Collaborative Filtering,CF）的推荐算法因其出色的性能成为推荐系统评分预测任务的研究热点,但目前仍存在以下问题:1)用户对项目的评分数据普遍偏少从而影响了推荐效果的数据稀疏性问题;2)根据用户最近的评分数据快速捕捉其近期兴趣变化的响应性问题;3)新用户和新项目无评分记录而导致的冷启动问题。这些问题对传统的CF算法提出了新的挑战。异构信息网络（Heterogeneous Information Network,HIN）因其对复杂异构数据的建模能力正越来越受到推荐研究领域的重视。本文针对CF算法存在的3个问题,利用HIN对推荐系统中多种类型的数据进行统一建模,并结合图卷积神经网络（Graph Convolutional Neural Network,GCNN）、注意力机制以及元学习等深度学习技术,提出了基于异构信息网络的推荐系统评分预测方法,主要贡献如下:（1）提出了异构信息网络的注意力感知多通道图卷积评分预测模型,有效解决了数据稀疏性问题。模型提出了评分约束的元路径,解决了传统元路径无法从HIN中精确捕获推荐场景下用户和项目之间的语义相似性的问题;设计了注意力感知的多通道图卷积评分预测神经网络,利用多通道的GCNN有效地表示出不同元路径的语义信息,并利用注意力机制区分各通道语义信息的重要性。对比实验结果表明,所提出的模型在数据稀疏的情况下均方根误差比基线模型最多减少50%。（2）提出了异构信息网络的元学习评分预测模型,有效地解决了推荐系统中的用户兴趣变化响应性问题和冷启动问题。模型借鉴元学习的思想,设计了异构信息网络的评分预测元学习器,该学习器通过历史交互数据学习泛化能力强的先验知识,通过先验知识快速适应根据用户最近的评分记录预测其对未交互项目评分的任务,从而实现及时捕捉用户兴趣变化;模型设计了嵌入表示生成器,利用属性为新用户和新项目生成良好的嵌入表示,从而提高了冷启动推荐的效果。对比实验结果显示,模型在平均绝对误差和均方根误差这两个指标上最高提升约7%,能够有效捕获用户最近兴趣以及提升冷启动推荐效果。综上所述,本文提出的评分预测方法能够有效解决CF算法中存在的问题,在推荐系统中具有实用价值,并且为异构信息网络和深度学习技术在推荐系统中的应用作出了一定的贡献。