随着网络技术的快速发展和网络信息规模的爆炸式增长,推荐系统可以被看作成一种高质量的信息过滤器,用来将用户和资源相匹配,大部分的网络平台或社交媒体都拥有着特有的个性化推荐系统。最新的推荐系统利用了多种多样的辅助数据,可以缓解传统推荐算法存在的数据稀疏和冷启动问题并提高推荐性能,但这类数据常伴有大量不利于推荐的噪声数据。同时,在推荐系统中对这些异质的数据信息和它们之间复杂的关系信息进行建模和利用是非常困难的。在此基础上,大量的推荐研究始终将推荐算法准确性的提升作为主要目标,推荐目标单一。因此,现有的推荐算法面临存在大量噪声数据阻碍推荐、建模用户偏好的精准度不足、推荐目标缺乏多样化等问题。面对这些问题,本文基于异质信息网络（HIN）表示学习推荐算法,首先提出异质社交影响协同去噪注意神经网络（HSCD）,致力于提升推荐算法的准确性。同时,本文还提出了一个异质图卷积协同过滤对抗（GCAD）的多样化推荐算法模型,致力于提升推荐算法的多样化。（1）本文的研究一提出了一种异质社交影响协同去噪注意神经网络（HSCD）解决方案。为了充分利用HIN中低阶和高阶结构的语义信息,HSCD模型通过特征聚合函数学习用户和项目嵌入表示,并利用双重注意力机制整合并捕捉了不同类型的社交影响力。同时,研究一采用了自适应去噪训练策略,在训练过程中自适应地识别和修剪噪声干扰,以提高推荐的效率。在真实数据集上的实验表明,研究一提出的HSCD模型的性能较之其他方法具有显著优势。（2）本文的研究二对比分析了现有的和最新的多样化算法。针对存在的问题,提出了一个异质图卷积协同过滤对抗（GCAD）的多样化推荐算法模型。在本研究的工作中,主要目标是基于推荐模型准确性相对稳定的情况下,有效提升推荐项目的类别多样化。首先,使用图卷积模块对HIN中的边分解,采用异质图卷积协同过滤方法,对用户偏好的潜在影响成分进行建模、分解、组合等过程,更深层次地挖掘用户偏好,有效保证了模型的准确性及可解释性。其次,GCAD模型采用了类别增强的负采样策略和对抗学习模块,可以提高那些相关但为消极项目的采样概率并学习嵌入空间中的隐式类别偏好,以提供更多样化的推荐结果。最后,通过利用三个真实数据集进行多组实验,证明了本研究提出的GCAD模型的有效性。