随着移动互联网和各种智能终端设备的不断发展,网络上的信息呈爆炸式增长。为了缓解信息过载问题,研究者提出构建推荐系统来为用户提供个性化的信息、产品或服务,以满足他们的喜好。然而,评分数据稀疏性问题在一定程度上限制了传统的基于协同过滤的推荐算法推荐性能。而随着用户和物品的相关信息越来越多,如何充分利用这些信息来突破评分数据稀疏性造成性能瓶颈成为推荐系统中研究的热点问题之一。现有工作较少关注如何结合异构信息网络和深度学习实现更好的推荐。本文提出了基于实体的和基于路径的异构信息网络信息的深度协同过滤推荐模型,主要工作如下:1.本文提出了TrustDMF模型。TrustDMF令用户从物品的层面来提取低阶特征,物品和用户的信任用户群从用户的层面来提取低阶特征。接着通过MLP来提取高阶特征。最后使用用户的特征向量与物品的特征向量的余弦相似度作为预测评分值,用户的特征向量与用户的信任用户群的余弦相似度作为预测信任度。为了更好的考虑信任信息,损失函数增加了社交正则化约束,即增加了预测信任度与实际信任度的平方差。2.本文提出PANCF模型。PANCF使用LSTM对路径进行建模来提取特征向量,然后对属于同一元路径的路径的特征向量组使用最大池化操作获取元路径的特征向量,接着设计注意力机制融合所有元路径的特征向量从而获取用户-物品对的上下文的特征向量。最后在将用户和物品的特征向量及其上下文信息的特征向量拼接以后使用全连接层做出最终的预测。3.本文在FilmTrust和Epinions数据集上对TrustDMF模型进行实验验证,结果表明TrustDMF模型在评价指标HR和NDCG上相较于DMF模型分别提高了1.2%和1.7%;在Movielens和LastFM数据集上对PANCF模型进行实验验证,结果表明PANCF模型在评价指标Precision、Recall和NDCG上相较于MCRec模型分别提高了1.8%、1%和1.2%。