推荐系统被广泛应用于互联网的各个领域中,用来解决当前时代信息过载的问题。它不仅可以帮助用户快速筛选出感兴趣的内容,也为互联网公司创造出了巨大的商业价值。针对用户进行分析是个性化推荐系统的基础和前置工作。基于对某个用户的分析可以发现这个用户对不同物品感兴趣的程度。用户、物品和其他一些附属信息,比如标签信息、物品种类,共同组成了一个异构的信息网络。一般情况下,推荐算法会直接把用户描述为显式或隐式的评分,但是这样做忽略了用户、物品和信息网络中其他实体节点之间的相互联系。为了解决这个问题,本文会基于对异构信息网络的挖掘进行用户推荐。此前,在异构信息网络中解决推荐任务的方法很多是基于元路径的。但是许多现有方法完全依靠专家来提供元路径,很少有工作讨论如何生成高质量的元路径。这样做有两个弊端,一是在庞大而复杂的异构信息网络中,手动检索元路径可能会非常繁琐和困难。二是专家提供的元路径可能带有人为偏见。因此,我提出了基于深度强化学习的方法来挖掘异构信息网络中的元路径。此前,强化学习已经在推荐系统中有很多应用,但是与现有的方法不同,本文将强化学习的环境定义为由用户、物品以及其他信息组成的异构信息网络。总的来说,本文提出了一种在异构信息网络中基于深度强化用户分析的推荐系统算法。具体研究内容如下:1、环境被建模为一个异构信息网络,它由用户、物品和不同的信息源组成。在用户和网络中未被观察到的物品之间,本文采用了如下的多次迭代训练过程。有一个元路径库,可保留每次迭代时生成的元路径。最初,元路径库是空的,由专家给出的元路径进行填充。然后,将由强化学习智能体在每次迭代中尝试的元路径添加到元路径库中。更新的元路径库用于在下一次迭代中训练强化学习智能体。重复此过程,直到无法获得新知识或达到最大迭代次数为止。2、提出了一种基于元路径的用户分析方法,该分析方法记录了每个用户对物品的潜在偏好权重。在基于元路径的用户分析过程之后,提出了一种基于用户的协同过滤方法来完成Top-N推荐任务。3、在三个数据集上进行了实验。将所提出的方法与基线模型进行了评分预测任务和Top-N推荐任务的比较,本文还分析了生成的元路径的质量,实验结果验证了该方法的有效性。