社会化推荐能够缓解推荐系统交互数据稀疏和冷启动问题,受到研究者和业界的广泛关注。然而,社交关系本身存在稀疏和噪声的问题,因此,有研究在由用户和项目组成的异构信息网络中识别可靠的隐式朋友缓解该问题。其中,基于元路径指导的随机游走方法能较好地学习用户表征从而更准确地判断隐式朋友,提高推荐的性能。然而,设计有意义的元路径需要很强的领域知识,极大地增加了推荐的难度。针对此问题,本文提出了去元路径社会化推荐方法。利用异构随机游走中域跳转和域停留的思想得到隐式朋友进行推荐,形成去元路径社会化推荐模型;并将用户网络进行社群划分,形成融合用户群体信息的去元路径社会化推荐模型。在真实数据集上的实验表明了本文所提出方法具有优越性和可行性。本文的主要工作如下:（1）分析了社会化推荐系统的国内外研究现状,并根据技术发展的趋势,结合相关模型分析了当前社会化推荐系统的优点与不足,对元路径和异构信息网络嵌入技术进行了概述。（2）构建包含用户正负反馈信息和用户社交网络的异构信息网络,利用域跳转和域停留的思想在形成的异构信息网络中去元路径地随机游走,为网络结构中的每个节点获得一系列的节点序列语料库。随后利用异构信息网络表示学习方法学习对应节点的嵌入,作为用户节点的初始化向量,再通过用户节点彼此之间的向量相似性识别隐式关系。最终,将得到的隐式关系和增强的社会化贝叶斯个性化排序模型相结合,为用户生成对应的个性化推荐列表。（3）利用社区发现对用户社交网络进行群体划分形成虚拟节点域,并根据用户和项目间的积极反馈信息和消极反馈信息,基于虚拟节点域构建融合用户项目正负反馈信息、用户社交网络信息以及用户群体信息的异构信息网络,结合域跳转和域停留的隐式朋友计算方法,形成融合用户群体信息的去元路径社会化推荐模型。（4）在真实数据集LastFM和Douban上对本文所提方法进行了整体性能对比以及相关的参数影响分析,验证了该方法的有效性和可行性。同时对基于元路径识别的隐式关系和基于域跳转和域停留识别的隐式关系对比分析,阐释了去元路径起作用的原因。