推荐算法的主要目的是发现用户潜在兴趣点,帮助用户在海量数据中快速发现有用信息。由于推荐算法在商品推荐中的突出表现,推荐算法得到了学术界和工业界的广泛关注。衡量推荐算法效果的指标是推荐的准确性,但研究发现过分关注准确性或导致多样性等其他指标被忽视,使得推荐结果过于单调,不利于发现用户新的潜在偏好,无法充分挖掘长尾物品的价值。另一方面,一味提升多样性容易造成准确性的快速下降。因此,如何在准确性和多样性上进行平衡成为了一个需要解决的问题。针对这一问题,本文以深度学习为基础,融入特征交叉思想和异质信息网络,提出了一种基于异质信息的深度交叉网络,以实现多路径关系学习,发现用户的兴趣点分布。在保证推荐准确性不损失过多的同时,一定程度上提升推荐的多样性。论文工作得到了国家重点研发计划项目“内外贯通的审判执行与诉讼服务协同支撑技术研究”（2018YFC0831300）的支持,主要工作如下:（1）针对基于深度学习的推荐算法难以提升多样性的问题,提出了一种融合注意力机制的基于异质网络的兴趣感知模型。该模型增加异质信息网络建模,通过异质信息网络的多条元路径,学习用户和物品之间的关系,并且通过引入注意力机制学习用户的多兴趣点分布。在多个数据集上的实验结果表明,该模型推荐结果的用户内平均相似度下降了5.9%,用户间平均海明距离增大了1.14%。该结果说明,引入异质信息网络可以更好的发现并学习用户的多兴趣点。（2）针对推荐算法重排阶段的贪心策略容易陷入局部兴趣点的问题,提出了一种根据用户兴趣广泛度自适应的提升推荐结果多样性的重排策略。该策略定义了用户的兴趣广泛度度量,并根据其值,基于K-Means对召回结果进行自适应的兴趣分类,再从中生成推荐列表。多组对比实验的结果表明,该策略在提升推荐结果多样性上表现良好。