现实社会中大多数的数据或信息对象彼此连接或交互,形成众多大型、互连、复杂的网络,称之为异构信息网络。该网络可以描述人与人之间的社会关系,以及科学研究中的合作关系等实际网络关系。对复杂网络的研究有助于发现网络中隐含的知识,这已成为许多学科的共同焦点。其中,最基本且最重要的问题是相关性度量。本文主要研究了以异构网络路径为基础的节点相关性度量和关系预测。通过对异构网络构建基于路径的概率图模型,以异构网络中的相关性度量为主要研究工具,结合异构网络中的动态特征,重点研究拥有不同属性的节点对之间的概率关系。随后,结合矩阵分解方法,实现对动态异构信息网络中各个用户进行有效推荐的目标。主要贡献和工作如下:首先,本文提出了基于元路径的概率相关性度量DHIN-PReP。采用概率图模型构建节点关系对应的概率函数;然后以分配权重的方式为异构网络的路径选择性特征添加先验信息;随后提取动态异构网络中的时间信息,设计有效的时间影响函数。联合相关性度量函数与时间影响函数,获得了新的基于路径的动态概率相关性度量,简记为DHIN-PReP。其次,在DHIN-PReP模型得到相关性评分矩阵的基础上,本文提出了基于矩阵分解的相关性推荐算法。从概率角度出发的PReP和DHIN-PReP相关性度量都能够表示复杂的异构信息网络关系。因此,为了提高对复杂异构信息网络推荐的效果,设计了基于概率相关性评分矩阵的推荐算法,简记为PReP-MF和DHINPReP-MF。算法针对网络节点建立用户关系模型,得到相关性评分矩阵,挖掘网络中的关系信息,再通过矩阵分解获得缺失相关性评分的节点对之间的关系预测结果,同时设置合理的阈值,根据用户需求实现推荐。最后,在基于Facebook和DBLP的数据集上,对本文提出的相关性度量方法进行验证。实验结果表明,DHIN-PReP算法的有效性与稳定性优于目前已有的算法,在保证节点对关系判断准确率的同时,提高了关系预测的可靠性,并且体现出异构网络中关系的动态变化过程。同时,利用在DBLP和Facebook两个真实数据集上得到的相关性评分矩阵,对相关性推荐算法PReP-MF、DHINPReP-MF进行实验,结果证明新算法在多项性能评估中都表现优秀,且融入了时间信息的矩阵比PReP算法得到的矩阵推荐效果更好。