推荐系统能够为用户匹配合适的信息,基于异构信息网络的推荐能够在推荐过程中深入挖掘潜在信息,有助于解决推荐系统中的冷启动问题。在推荐系统中加入异质信息网络,可以合并各种辅助数据,从而提高了推荐的准确率,但引入的关联性也给攻击者提供更多的信息,面临更为严重的隐私安全问题。本文研究基于异构信息网络的推荐算法,充分利用异构信息进一步挖掘实体的潜在信息,达到更好的推荐效果。基于此,本文做了如下三方面的工作:第一部分,针对推荐任务中的冷启动问题,提出了基于双层注意力的异构信息推荐算法。该算法在嵌入过程中深入挖掘节点的潜在表示,分别在类型级别和节点级别两个层级获取节点的注意力权重,完成节点的嵌入过程。在用户-项目交互的过程中,通过获取节点的注意力权重完成特征交互。该算法能够挖掘节点的潜在特征,从而获取节点的隐式表示。通过在真实数据集下进行实验,结果显示,此算法在性能上对比已有的推荐方法有一定的提高。第二部分,为了进一步优化嵌入过程,深度挖掘实体间的特征交互,提出了基于异构信息的深度融合推荐算法。该算法通过图表示学习的方法进行节点嵌入,在交互过程中引入深度神经网络进行特征融合,能够深度融合用户嵌入和项目嵌入,从而提升推荐效果。在真实数据集上的实验显示,这种方法的表现比以前的算法好得多。第三部分,为了解决目前推荐系统的隐私泄露问题,提出了一种基于差分隐私的异质信息推荐算法。在推荐过程中,将差分隐私算法引入到具有高相关性的用户历史敏感性信息的特征向量中,旨在提升数据的隐私安全。该算法能够在保证推荐准确性的同时,减少数据曝光度。最后,该模型的隐私通过引入拉普拉斯分布的随机噪声得到保护。实验表明,与其他的推荐方法对比,此算法各方面性能得到了显著的提升。