随着电子商务和社交媒体平台的快速发展,推荐系统已成为许多企业不可或缺的工具,它能有效帮助用户缓解信息过载问题,帮助他们从海量的项目中探索他们感兴趣的内容。冷启动推荐问题是指新用户和新项目刚进入系统时,如何给该新用户推荐满意的项目,或将该新项目推荐给合适的用户的问题。新用户、新项目是持续产生的,对互联网产品来说是常态、无法避免的。由于缺乏用户与项目之间的交互信息,传统的协同过滤方法无法在新项目和新用户的情况下提供有效的推荐,因此冷启动推荐是一个具有挑战性的问题。近年来,基于异构信息网络的推荐方法使用丰富的辅助信息来加强用户和项目之间的联系,帮助缓解冷启动问题。尽管这些方法取得了一定的进展,但现有的大多数方法都是在传统的监督学习设置下对异构信息网络进行建模,而忽略了冷启动场景下训练和推理之间的差距。本文将冷启动推荐视为一个数据缺失问题,即一些用户和项目的交互数据是缺失的。受去噪自编码器的启发,本文基于异构信息网络提出了一个新的模型,称为多视角去噪图自编码器（Multi-view Denoising Graph Auto-Encoders,MvDGAE）。具体来说,首先在异构信息网络上基于元路径抽取多种语义信息,作为用户和项目的多视角信息,有效地增强用户/项目在不同方面的关系。然后,通过在编码器中随机丢弃一些用户与项目的交互数据来进行训练,同时迫使解码器使用这些有限的视角来恢复完整的视角,包括缺失的视角。这样一来,用户和项目的表示聚合了更多的信息,也更能适应冷启动的情况。其中,解码器的重构目标是由多视角抽取出来的用户-用户和项目-项目关系图,而不是原始的输入图,这使得元路径中相似用户（或项目）学习到的表示更加接近。最后,采用贝叶斯任务权重学习器来自动平衡多个视角的图重构目标。通过多个数据集的离线实验和线上A/B测试,结果表明本文提出的模型在冷启动以及非冷启情况下对比其他推荐算法均取得了优异的效果。