随着网络通讯技术和移动智能设备的不断发展,中国已经完全迈入互联网时代。人们在享受互联网带来便利的同时,也受到了海量数据带来的信息过载问题的困扰。推荐系统作为一种应对信息过载问题的有效工具,可以根据用户的历史行为和属性信息生成满足用户需求的个性化的推荐。目前,推荐系统技术已经全面地应用在各领域的电子商务平台中,推荐系统的性能将会直接影响用户的体验和商家的收益。然而,传统的协同过滤等推荐系统的性能容易遭受冷启动和数据稀疏问题的影响。为了解决上述问题,研究者们聚焦于利用商业平台内的大量辅助数据来提升推荐的准确性。近年来,基于异构信息网络的推荐模型已经成为该领域中一个极有前景的方向。但是,传统的基于异构信息网络的推荐算法依赖于基于路径相似度的方法,未能充分地挖掘网络中的隐藏特征,并且当路径连接稀疏时,算法的不可靠性会大大增加。随着网络表示学习技术迅速发展,近期越来越多的研究者将异构信息网络表示学习技术并应用于推荐场景。针对于现有的基于异构信息网络表示学习的推荐算法存在的语义特征挖掘不充分、模型运行效率低以及数据冗余等问题,本文分别从两阶段方法和端对端方法两个视角进行研究。首先,针对于两阶段的基于异构信息网络表示学习的推荐模型,本文对元路径引导的网络内部的邻居对之间的差异和元路径间语义的差异进行建模。其次,针对于端对端的基于异构信息网络表示学习的推荐模型,本文利用邻居采样和稀疏注意力技术从元路径内部和元路径间两个视角进行噪声和冗余信息的过滤。以此为基础,本文分别提出了两种基于异构信息网络表示学习的推荐模型,主要的工作内容和创新如下:（1）针对于两阶段方法的隐藏信息挖掘能力不足的问题,本研究提出了基于注意力感知的元路径嵌入的异构信息网络表示与推荐模型AMERec。AMERec旨在挖掘在元路径内和元路径间内的隐藏信息。AMERec将每个元路径建模为一个加权的同构信息网络,以区分每个元路径内相邻对之间的影响差异。该方法可以从HIN中提取用户和项目的丰富的语义信息,并用于推荐系统。此外,AMERec引入了一个自注意力语义融合方法,用于融合多个加权同构信息网络的语义信息。该方法根据具体的场景为每个元路径动态地分配个性化权重来区分元路径间的语义差异。最后,AMERec采用深度学习模型建模用户和项目间的复杂关系进行评分预测。实验结果表明,与常见的两阶段的基于异构信息网络表示学习的推荐模型相比,本文提出的AMERec模型具有最好的推荐性能且大大改善了冷启动和数据稀疏问题。（2）针对于端对端方法的运行效率低和数据冗余的问题,本研究提出了基于双重过滤的异构图神经网络端对端推荐模型MFGRec。MFGRec首先引入了元路径引导的属性网络的邻居过滤方法来精细化复杂的元路径引导的属性网络,它用于选择元路径内有价值的邻居以提升推荐精确度并提升模型的执行效率。随后,MFGRec利用图神经网络分别学习用户-物品二部分网络和精细化的元路径引导的属性网络中的用户和项目的向量表示。此外,MFGRec设计了一种基于语义过滤的融合方法,利用自适应多头稀疏注意力机制为每个用户-物品交互自动筛选有价值的元路径语义并为选择出的元路径分配个性化权重,以区分语义差异。最后,本研究利用用户和项目的融合表示来预测评分。大量的实验结果表明,与常见的端对端的基于异构信息网络表示学习的推荐模型相比,本文提出的MFGRec模型取得了最佳的准确性和运行效率,同时保持了良好的可解释性。因此,本文关于基于异构信息网络表示学习的推荐模型的研究,对于解决基于异构信息网络的推荐算法研究面临的语义特征挖掘不充分、模型运行效率低、数据冗余等问题具有一定的理论价值,对于创造更好的用户在线体验、推动智慧化的新型服务模式等具有着重要实际价值。