张 杰，张月琴，张泽华，刘志鑫，雷 祥

1.太原理工大学 信息与计算机学院，山西 晋中030600

2.太原清众鑫科技有限公司，太原020300

网络信息日益复杂，数据海量增长。如何迅速而准确地从冗杂数据中获取有效信息已成为当前的热点[1]。个性化推荐技术就是一种可用于解决海量数据信息过载问题的有效途径[2-3]。协同过滤[4-5]可通过对用户历史行为数据进行挖掘，来发现用户的喜好偏向，并对用户倾向的产品进行筛选与预测。然而，面对数据规模快速增长，以及日益复杂的推荐问题，传统协同过滤算法存在一些无法回避的问题：仅考虑用户和项目间的交互矩阵。同时，对于用户数据稀疏以及冷启动推荐问题[6]也缺少有效的解决策略。

因此，国内外诸多学者开始结合异质信息网络（Heterogeneous Information Network，HIN）进行融合推荐。Gao等人[7]结合HIN提出充分挖掘网络中隐藏的上下文信息来提高推荐性能。吴宾等人[8]通过融合多关系数据和视觉信息的多源异构信息来最大化提升推荐性能。Hu等人[9]则考虑多种类型的外部关系提出了在HIN上基于语义偏好的个性化推荐。Gao等人[10]考虑引入特征向量和时间权重函数的多信息源融合的推荐算法来提高Top-N推荐的准确度。Zhao等人[11]则考虑HIN中用户行为和商品信息中复杂关联提出利用不同关系的重要性来提升推荐性能。

此外，由于元路径（Meta path）可以有效刻画对象间的语义关系，并抽取对象间的特征信息。如图1所示，从图中网络模式（Network schema）可抽取该异质网络中两元路径，其中U、M、A分别表示用户、电影和演员。……