当下网络已经成为人们生活的必要基础设施,随之而来的是海量的多样的个人数据被记录,例如个人资料,购买记录,评价评论信息,多种媒体形式的浏览历史等等。如何利用这些异构异源数据来构建推荐系统是一个十分重要的问题,因为不同种类的信息中往往包含着人们不同方面的偏好或者被推荐对象不同方面的特征,综合利用异构异源数据进行推荐势必会提高推荐系统的表现。在构建这种推荐系统的时候需要解决的难点有:如何合理的从异构异源数据中提取不同特性的特征、如何对数据结构不相同的异构异源数据进行统一建模、如何平衡不同种类的数据在推荐系统中的影响等等。本文具体介绍了两种从不同角度解决这些问题的推荐方法。第一种CBPF模型利用了统一的泊松概率模型,对有相同分布特征的连续的价格信息和离散的评论信息分别建模并结合进行推荐;第二种CHDR模型通过利用一种特殊的神经网络自动编码机来从多种异构异源信息中提取特征,并把提取到的特征紧密结合在经典的基于对的协同过滤方法来进行推荐。在多种真实数据集上的实验结果证明多种异构异源信息的价值,也证明了这两种方法的合理性和优越性。