推荐系统在信息过载时代给人们带来了方便,从而使推荐算法成为了研究热点。协同过滤推荐算法因其简单方便,而受到了广泛研究。但是传统的协同过滤推荐算法存在着数据稀疏的问题。针对这一问题,通常的做法是加入用户和项目的辅助信息。本文考虑类别偏好和异构信息网络中用户和项目信息来提高推荐性能,主要提出了以下两种推荐算法:传统的基于类别信息的推荐算法中往往把类别信息作为辅加信息,并没有考虑项目和类别之间多对多的关系。针对这一问题,提出基于组合类别空间的矩阵分解推荐算法。首先,定义组合类别空间,使项目和组合类别具有一对一的关系。其次,在组合类别空间上定义语义关系和语义距离,把用户的浏览行为、项目的类别以及用户与类别的关系等各种信息更好地融合在一起。最后,建立基于矩阵分解的用户和项目的隐含特征模型,更好的表现了商品类别与用户兴趣偏好的关系。实验结果表明,推荐的性能有明显的提高。为了解决基于异构网络的推荐算法中异构信息难以抽取的问题,并利用神经网络学习用户和项目的交互信息,提出基于异构网络特征表示的深度学习推荐算法。首先,构建用户和项目的异构信息网络,定义用户和项目的交互元路径,使得异构信息便于抽取,用户浏览行为与各种信息更好地融合在一起。然后,把异构网络的特征表示作为神经网络输入,利用LSTM和Attention机制分别模拟用户近期兴趣变化以及近期项目的流行度。实验结果表明,推荐的性能得到了提高。