互联网中数据信息的日益膨胀已经造成“信息超载”。为此,如何在海量的信息数据中高效并准确地获得个性化推荐成为了目前最热门的研究之一。同时由于异质信息网络具有复杂的对象类型以及丰富的语义信息,更能挖掘出整个网络中全局结构下所隐藏的信息。因此,为了提高个性化推荐的性能,本文针对异质网络进行推荐算法的研究与实现。在算法方面,本文提出一种基于异质网络的混合推荐算法。由于具有相同兴趣的用户也具有相似的用户属性,本文通过Canopy-k-means聚类对用户属性进行用户划分,减少后续用户相似度计算的数据量,提高了实时性并保证了准确性。然后重点研究了时间关系对用户间相似度大小的影响,提出一种结合时间的异质网络相似度算法(Hete-DS),该算法通过HeteRecom算法与时间因子进行结合,不仅考虑到时间对相似度大小的影响,而且提高了准确性。同时由于簇内用户具有相似的兴趣,引入一种基于影响力的权威推荐算法,根据簇中影响力较大的若干用户对新增用户进行推荐,可以有效地解决“冷启动”问题。最后根据最相似邻居和专家推荐的评分情况估算出指定用户未评分项目并进行预测评分。通过分析多组对比实验结果,本文提出的算法具有较好的准确性。面对海量的数据,Hadoop作为Apache的开源平台不仅带来了廉价的处理大数据的能力,而且满足了处理效率的要求。针对上述算法,进行Map-Reduce框架下的并行处理改进,保证本算法具有较好的加速比和良好的扩展性。