近年来,互联网已经成为人们生活中不可或缺的一部分,然而处在如今的互联网信息时代,随着数据量的爆炸式增长,互联网用户在面对互联网上的海量数据时很难快速查找到自己感兴趣的内容信息。在这种背景下,为了帮助用户更加方便准确地寻找感兴趣的信息,推荐系统算法应运而生,它基于用户的历史记录对用户特点进行记录、分析得出相应的用户画像。再利用信息的属性或者相互之间的依赖关系,将那些符合用户喜好的信息推荐给用户。传统的协同过滤方法已经被广泛应用在许多推荐技术中。这些方法利用用户和商品之间交互的历史信息来构建用户的特征模型,利用相似特征模型的用户,来进行相互的推荐。但是,在现实的应用中,用户通常只是与有限数量的商品有过交互记录,这就使得算法不得不面临数据稀疏性的问题。如今的数据挖掘技术可以分析出针对个人喜好和商品属性信息的日益全面的信息。因此,许多研究人员利用外部信息来改进推荐技术。但是,大多数以前的研究只考虑添加单一关系类型,例如社交网络朋友关系。在现实世界中,考虑多种外部关系可以更准确地确定用户选择项目的原因。为解决这个问题,本文提出了一种混合方法,称为基于语义偏好的异质信息网络个性化推荐算法(SPR)。它将用户反馈的评分与异质信息网络相结合,考虑到多种外部关系,这种方法可以改善推荐问题。为了应用该方法,我们首先基于用户在元路径中的潜在偏好在用户之间引入相似性度量,并在全局和个性化两种层次上设计推荐的模型。最后,我们对两个真实的数据集豆瓣电影和Yelp数据集进行实验,发现SPR方法与几种广泛采用的和最先进的推荐方法相比获得了更好的结果。本文的工作主要有以下几个方面:1、我们在异质信息网络下利用用户对于项目的评分数据来进行二值变换,同时利用分值来进行高分项目的筛选,并在此二值数据基础上构建异质信息网络。2、我们利用异质信息网络中的元路径来表示用户的偏好并构建用户偏好模型,利用元路径的语义可解释性,更精确地计算用户之间的相似性。进而利用相似用户间的关系构建目标用户的个性化推荐模型。3、我们利用两个真实的数据集,豆瓣电影和Yelp来证明我们模型的性能。