在信息过载的时代,人们的日常生活越来越离不开推荐技术。因此,对推荐系统的性能的改善具有很大的社会意义。由于异构信息网络在处理多种节点以及不同的边类型上存在着天然的优势,所以本文从异构信息网络的角度进行推荐系统的研究。由于现有的基于异构信息网络推荐模型大多是以基于元路径的语义相关性进行的,所以高级的语义无法得到充分的有效利用,尤其是用户和项目的多种隐式评分的高级语义信息的提取过于简单而粗糙。因此,本文的主要目的是充分利用多种隐式评分,把多种用户评价数据融入到基于异构信息网络的推荐模型中,从而改善现有的基于异构信息网络的推荐模型无法充分利用高级语义的问题,最终提高推荐的准确性。本文采用情感分析技术量化隐式评价信息,方便下一步的推荐模型的学习,同时提出一个多评分融合框架模型,以多评分融合的方式进行模型的训练学习。本文所提出的方法是采用“概率矩阵分解+异构信息网络+网络嵌入+情感分析+多评分融合”的框架模型来达到对用户和项目的低维特征的表示学习的目的,最终获取预测的结果。本文的主要研究内容如下:(1)针对基于异构信息网络的推荐模型无法充分利用高级语义的问题,本文首先系统地阐述了推荐技术的相关原理,并比较了现有的推荐技术的优缺点。然后对与本文推荐模型相关的异构信息网络、网络表示学习、情感分析等技术的理论做了详细介绍。(2)为了缓解用户和项目交互过程中的多种评价信息利用不充分的问题,本文提出一种融合多评分的异构信息网络嵌入推荐模型。该模型是基于隐式评分融合框架,首先从异构信息网络中提取出元路径实例,经由网络嵌入生成节点特征,然后通过将隐式评价信息经过情感分析量化后生成隐式评分,最后将两者融合,生成推荐结果。同时,针对HERec方法在处理文本信息的不足方面也进行了一定程度上的补充与改善。(3)本文通过爬取豆瓣中的电影数据作为实验数据集,对本文提出的推荐模型进行了验证。结果表明本文所提出的推荐模型优于其他的方法。并且在20%的数据集下,本文所提出的推荐模型的性能更加优越。