随着信息技术的发展,人们能够获取的信息资源的方式越来越多,面对的信息资源日益丰富,“信息过载”问题日益凸显,导致人们在海量的信息资源面前难以选择自己想要的内容。为了解决上述问题,推荐系统应运而生。推荐系统是解决信息过载问题最为有效的方式之一,它主要根据用户对项目的显隐式反馈信息学习用户的偏好,为用户快速定位自身感兴趣的内容。推荐算法是推荐系统的核心,决定推荐性能的好坏。协同过滤算法是推荐领域使用最为广泛的算法,但该算法面临着数据稀疏、冷启动等问题。尽管基于矩阵分解的协同过滤很好地解决了协同过滤算法的数据稀疏问题,但是在用户与项目的向量的内积过程中存在不足,限制了该模型的表达能力。由于传统推荐算法的局限性,研究者们逐渐探索基于神经网络的协同过滤,神经协同过滤算法正是其中的研究成果之一。尽管神经协同过滤模型在性能上要优于传统的推荐模型,但是该模型在辅助信息的使用方面以及信息特征抽取方面存在不足。神经协同过滤模型使用用户与项目历史行为信息,生成嵌入特征,通过多层感知机模拟用户与项目的交互,解决了一些传统的推荐算法的不足。尽管在性能上有所提升,但是该算法使用的特征信息较为单一,只使用了用户与项目的交互信息,而没有使用其他的辅助信息。辅助信息如用户与项目的属性标签信息对提高模型个性化推荐性能以及缓解系统冷启动具有重要作用,若能将这些信息引入至神经协同过滤模型中,则可以使神经协同过滤模型的推荐性能更好、推荐可解释性更强。针对上述不足,本文将用户与项目的属性标签信息引入至神经协同过滤模型中,提出融合多种信息特征的神经协同过滤模型。通过研究发现,神经协同过滤模型融合多种信息特征之后会产生如下不足:模型的参数与收敛时间增加、模型无法很好地挖掘多种信息特征、模型对特征信息视为同等重要,消解部分有价值的信息。针对上述问题,本文对神经协同过滤模型做出进一步改进,提出融合异构信息网络嵌入特征与注意力机制的神经协同过滤模型AHINNCF。本文将用户与项目有效的属性信息统一转换为标签信息形式,通过构建用户与项目及其各自的属性标签信息的异构信息网络,使用基于元路径随机游走的网络表示学习算法metapath2vec进一步挖掘多种属性信息的特征,与神经协同过滤模型相融合,提升模型性能。并在模型中引入注意力机制网络,以解决模型对多种特征视为同等重要,导致有价值的特征信息被消解的问题。本文使用两个公开数据集Movie Lens-1M和Pinterest分别在一般场景、模拟冷启动场景以及收敛速度方面对该模型进行实验。实验结果表明,本文提出的模型AHINNCF要更加优越。在一般场景下,模型AHINNCF的性能平均提升2.5%。在模拟冷启动场景下,模型AHINNCF的性能提升3%-10%。在模型收敛速度方面,模型AHINNCF的收敛速度更快。综上所述,本文提出的模型AHINNCF要优于神经协同过滤模型。最后,本文结合改进的神经协同过滤模型与用户的实际需求设计并开发综合相关在线学习平台课程信息的推荐系统,以缓解因海量课程信息资源给学习者带来的信息过载等相关问题。