随着信息技术与互联网规模的不断发展,现实生活中可获取的数据量呈指数型增长,大数据时代接踵而至,由于用户无法高效地从众多数据中筛选出有用信息,随之而来地便是信息过载问题。推荐系统作为解决信息过载的有效工具之一,在如今的生活中发挥着举足轻重的作用。近年来,异质信息网络作为一种强大的信息建模方法,被越来越多地应用到许多数据挖掘任务当中,有很多推荐任务利用异质信息网络建模辅助数据,这种推荐算法被称为基于异质信息网络的推荐算法。目前基于异质信息网络的推荐算法主要通过元路径计算用户之间的相似性,相似度结果满足对称性,但是在日常生活当中,存在用户相似度满足非对称的情况,所以本文基于用户相似度非对称的情况,提出了非对称的异质信息网络推荐算法,并在此基础上搭建了基于异质信息网络的推荐系统演示平台,具体的工作内容如下:(1)非对称的异质信息网络推荐算法。本文提出了一种非对称的异质信息网络推荐算法,算法假设用户相似度满足非对称性,并在此基础上,融合元路径权重,计算用户的非对称相似度,利用矩阵分解模型,对用户未评分的物品的进行预测。在实际数据集上与异质信息网络的其他推荐算法相比,本文算法在准确性上有一定程度的提高。(2)基于异质信息网络的推荐系统演示平台。本文根据实际用户对推荐系统的需求,结合推荐算法,实现了基于异质信息网络的推荐系统演示平台,平台提供异质信息网络相关文献的下载,以及推荐系统领域常用数据集的下载,提供数据集的分析功能,用户可以根据自己的需求,选择不同的推荐算法和推荐类型,得到更精确的推荐结果,并且通过异质信息网络的可视化模块,使推荐结果更形象地展示出来。本文通过对异质信息网络推荐算法的研究,提升了在用户相似度满足非对称的情况下推荐算法的准确性,为以后推荐算法的研究提供了一种新的思路,并且推荐系统演示平台的实现有利于帮助用户理解被推荐物品的缘由,使用户对被推荐的物品有更系统的认识。