随着网络信息的爆炸式增长,推荐系统在缓解信息超载方面发挥着至关重要的作用。作为协同过滤算法的代表,矩阵分解算法在推荐系统中取得了显著的成功,其利用用户和项目的交互信息进行推荐,当用户与项目交互非常稀疏时,推荐效果的准确性将会降低。如今,各种各样的辅助数据越来越多地出现在在线服务中,尽管已有工作证明将矩阵分解算法和辅助数据结合起来可以提高推荐性能,但由于辅助数据的异质性和复杂性,在推荐系统中有效地利用这些信息仍然是一个挑战。针对这一问题,本文提出融合结构信息和标签信息的推荐算法,将推荐系统建模为一个异构信息网络,利用异构网络表示学习方法学习用户和项目的结构信息特征向量,并从标签信息中获取节点的初始特征向量,然后使用特征融合机制将结构信息特征向量和节点的初始特征向量有效地结合在一起,最后将融合后的节点特征向量融入到矩阵分解模型中,完成评分预测任务。实验结果表明,该方法相较于传统的矩阵分解算法,推荐效果更佳。现有的大多基于异构信息网络的推荐算法通常在学习节点表示时舍弃了元路径内部的节点信息,只考虑元路径的起始节点和末尾节点,造成信息损失,影响推荐任务的精确性。针对这一问题,本文提出基于图注意力网络的深度学习推荐算法,设计元路径实例编码函数对元路径内部的节点信息进行编码,并引入注意力机制采用层次聚合的方式聚合各方面信息。经过实验验证,基于图注意力网络的深度学习推荐算法取得了良好的实验结果,表明了模型的有效性。最后集成本文提出的两个推荐算法,并使用Django框架和Mysql数据库,设计并开发了个性化电影推荐系统。