随着网络时代的到来,互联网上越来越多的信息提供给用户,为用户带来了便利,同时,用户也苦恼于如何从众多的信息库中切实有效地获取有用的信息,进而满足用户的个性化需求。而推荐系统的出现恰巧可以满足这些需求,为用户提供个性化推荐,以此为人们的生活带来较大的变化。目前,使用最广泛的推荐算法是协同过滤算法,该算法依据用户的历史交互记录,分析其偏好,为用户推荐相似的项目。虽然传统的推荐算法已经取得了不错的推荐效果,但是考虑的信息不全面,未考虑融合其他辅助信息。而异质信息网络恰恰可以基于元路径进行推荐,这种方式利用多种类型的节点和节点之间的关系可以融合更丰富的信息。所以,本文试图在异质信息网络模型中从元路径的视角出发,运用深度学习技术研究推荐算法。本文的主要工作如下:（1）现有的基于异质信息网络的推荐方法通过最大池化操作提取元路径语义信息时,未考虑元路径语义的整体性特征及特征冗余问题的影响。针对这些问题,提出了一种融合元路径与改进协同注意力的推荐模型MICA（Research on Recommendation Fusing Meta-Path and Improved Collaborative Attention）,该模型通过基于6)-最大池化的协同注意力机制更深层次地学习用户和项目的协同注意力嵌入表达,可以缓解最大池化操作在协同注意力机制中带来的特征丢失问题;基于提取的路径序列显著性特征和完整性特征通过注意力机制学习元路径的重要特征,得到元路径上下文嵌入表达,可以保留有效的元路径语义信息;利用注意力机制学习融合后的用户、项目协同注意力嵌入表达和元路径上下文嵌入表达,以学习重要权重信息,可以有效降低冗余信息的影响,进行top-N推荐。（2）用户和项目在不同对称元路径下学习得到不同的潜在特征,针对其包含语义信息的差异性,本文提出了一种结合平衡感知矩阵与注意力的推荐模型CBMA（Recommendation Model Combining Balanced Perception Matrix and Attention）,该模型对于用户和项目在不同元路径下学习得到的潜在特征,利用学习到的平衡系数平衡各个元路径下得到的特征,能够缓解特征信息丢失的问题;在融合用户和项目特征时,由于元路径在学习用户和项目特征时,存在特征重叠的问题,因此,引入了注意力机制,减少特征的冗余信息。本文对基于异质信息网络的深度学习推荐算法进行了研究,为了更充分地学习基于元路径的特征信息,提出了融合元路径与改进协同注意力的推荐模型和结合平衡感知矩阵与注意力的推荐模型,并在真实数据集中利用相关评价指标,对这两个模型进行实验验证,本文所提模型均优于其他模型,验证了所提模型的有效性,可以更好地改善推荐性能。