随着互联网技术的迅猛发展,“信息过载”问题日益严重,推荐系统作为解决该问题的有效方式之一被广泛应用。由于缺少充分的用户历史数据,传统推荐系统常常遇到数据稀疏、冷启动等问题。为了缓解这些问题,推荐系统开始引入辅助信息构建的异构信息网络。目前,元图作为元路径的扩展结构,被逐渐运用于异构信息网络的数据挖掘工作中。然而,现有的基于元图的推荐方法仍旧存在一些局限性:第一,没有考虑元图结构的不同所导致的分布差异问题;第二,没有学习元图的有效表征,仅仅使用了矩阵分解得到的隐向量;第三,特征聚合时忽略了元图之间的关联,使得模型难以高效利用聚合特征。在此基础上,本文进行了异构信息网络作为辅助信息源,元图作为数据挖掘工具的评分预测推荐任务研究。主要的工作如下:（1）在两个真实数据集构建的异构信息网络环境中,利用元图计算相似度矩阵。针对元图结构不同导致相似度矩阵分布差异过大问题,提出使用z-score标准化方法预处理。实验结果显示,该预处理步骤可以有效提升模型的推荐能力。（2）针对如何利用元图语义信息生成有效特征问题进行研究与探索,提出基于元图嵌入的评分预测模型。首先使用元图相似度与元图嵌入向量结合,生成基于用户与项目的元图特征。相比于其他利用隐向量的方式,这种方法直接使用了相似度,提高了元图特征的有效性。然后采用基于注意力机制的特征交叉层进行预测评分,该层能够快速计算出二阶交叉特征,并通过注意力层加强有效特征。在真实数据集上的实验结果显示,该模型优于其他对比模型。（3）针对如何高效应用元图特征进行推荐问题进行研究与探索,提出基于元图与卷积神经网络的评分预测模型。以基于元图嵌入的评分预测模型为基础,本模型首先生成元图特征图。然后采用基于卷积神经网络与空间注意力的聚合模型提取特征图中的关联信息,生成高阶元图特征向量。最后,将所有特征融合后送入推荐模型。该模型不仅能有效地聚合多个元图特征,还可以作为轻量级模型快速嵌入其他基于深度学习的推荐模型,解决了元图特征难以使用的问题。在真实数据集上的实验结果显示,该模型优于其他对比模型,同时在嵌入其他推荐模型后提高了原模型的推荐能力。