异构信息网络HIN由于其丰富的语义信息在推荐任务中得到广泛应用。但是,传统的HIN推荐忽略了元路径Meta-path的属性信息,以及不同对象之间的相互影响。如何充分利用Meta-path信息以提升HIN推荐性能成为当前HIN推荐发展的关键难题。本文主要考虑一种特殊的HIN二分网络BN,并构建和实现Top-N推荐。为了更全面地获取用户的偏好信息,本文同时考虑用户-对象的显式和隐式反馈信息以准确挖掘潜在的用户偏好信息和对象特征。为了提升HIN的推荐性能,通过融合矩阵分解MF和深度神经网络DNN构建推荐模型,分别得到显式和隐式反馈预测结果,并通过结合显隐式反馈预测结果实现Top-N推荐。首先,针对显式反馈信息中用户-对象本身的特性,引入两个偏置因子考虑其自身特性,针对无法直接获取用户-对象显式反馈信息的数据通过构建深度学习模型获取用户-对象显式反馈信息。分别将显隐式反馈信息作为输入进行训练以更好地挖掘评分信息背后的潜在信息。然后,针对用户-对象评分Meta-path的关系和属性值信息,融合MF和DNN模型。通过MF和DNN学习独立的特征嵌入可以充分考虑用户-对象的线性特征和非线性特征,对显式和隐式反馈数据分别训练得到对应的输出。之后,结合显式和隐式反馈预测结果,对其进行求和并采用激活函数得到Top-N对象列表向目标用户推荐。最后,采用MovieLens数据集验证模型,通过采用点击率HR和标准化折扣累积增益NDCG这两个评估指标,并与传统的推荐模型,较新的推荐方法进行比较评估该方法的性能,通过实验结果验证了该方法的性能有较大地提升。