推荐系统根据用户行为,向用户推荐其可能感兴趣的物品。传统的推荐算法主要是基于领域的算法、隐语义模型等机器学习算法,近年来,神经网络因其强大的表示学习能力,逐渐被用于推荐领域,并取得了比传统算法更出色的效果;传统的协同过滤算法仅依赖于评分矩阵进行推荐,而忽视了丰富的边带信息,例如数据内在的结构信息和文本图像等内容信息,因而普遍面临数据稀疏和冷启动问题。基于以上两点,本文研究基于神经网络的个性化推荐系统,并将树结构和异质信息作为推荐系统的边带信息,以提高推荐准确度并缓解数据稀疏和冷启动问题。树结构普遍存在于现实世界中的推荐场景,其中每个物品往往被划分到预定义的树结构上的某一类别,这种结构特性为推断用户偏好提供了重要的辅助信息。然而,传统的协同过滤算法侧重于用户——物品的交互作用(例如评分),而忽略了树结构信息对于推荐的影响。本文提出了基于树结构和去噪自编码器的推荐模型,从树结构中挖掘用户兴趣偏好的树结构信息,并将其作为基于自编码器的推荐模型的边带信息。异质信息网络在推荐系统中备受关注,因其能在推荐系统中灵活自然地表示异质数据。然而,现有的基于异质信息网络的推荐算法仅考虑过利用网络中的节点关系来学习用户和物品嵌入表示,而忽略了节点本身的内容和属性对推荐的影响。本文提出了基于内容属性的异质网络嵌入模型,该模型不仅基于结构信息(例如节点类型和节点关系),而且还基于节点的非结构化内容和属性(例如文本)来学习用户和物品的嵌入表示。实验结果表明,本文提出的两个模型均优于基线模型,并可以有效提高推荐准确度和缓解数据稀疏和冷启动问题。