当前信息爆炸时代,海量信息的生成也促使互联网与大数据分析等技术的快速发展。而我们在享受现代互联网带来的诸多便利的同时,也面临着信息过载（Information overload）的问题。人们难以便捷和迅速地从海量数据中有效汲取所需的各种信息。推荐系统研究面向这一现实迫切的任务需求,并迅速成为当前数据挖掘领域的研究热点。推荐系统方法可通过对数据信息进行建模,分析用户和项目间的潜在关联,从而挖掘用户行为偏好,提高了用户的体验。现如今推荐系统已经在包括音乐、购物、图书、电影等众多场景广泛落地实践,在亚马逊、Facebook和淘宝等众多商业应用中获得了巨大的成功。由于传统推荐系统主要考虑用户和项目的历史行为交互,但在实际应用场景中用户与项目之间的信息交互有限,往往直接影响推荐的结果。而用户行为历史信息稀疏,也带了推荐冷启动等问题。近年来,许多研究将用户或项目的辅助信息集成到大规模网络或稀缺网络的建模中,形成了一个包含各种信息的异质信息网络。大多数算法都是基于元路径获取相似用户,并通过网络表征学习提取有效信息。虽然融合效果有所提高,但大多存在以下问题:由于信息的异质性,不同类型的信息特征不能直接融合;现有的研究仅对异质信息的结构关联特征或上下文语义信息进行建模,而没有进行融合建模;当数据稀疏并且含有噪声时,其推荐的可信度不高。针对已经存在的问题,结合异质图嵌入的相关理论对大规模网络进行建模,提出了基于异质图神经网络的推荐方法,主要工作内容如下:（1）针对异质信息的融合问题,提出了多层次注意力机制的异质图神经网络推荐模型。通过构建不同的元路径将异质信息网络结构粒化为多个独立的粗粒度网络,然后基于图注意力机制和路径级的注意力机制,来分别学习用户和项目的潜在特征,最终给出融合后的细粒度网络推荐。在现实大规模数据集上进行横向和纵向评测,实验结果表明该方法能够有效地提升推荐性能。（2）在基于位置的社交网络（Location Based Social Networks,LBSNs）中,目前的研究大多针对语义上下文进行建模,忽略了结构的关联特征对模型的影响。因此提出多粒度注意力机制的POI（Point of interest）推荐模型。从属性节点嵌入和结构元路径嵌入的不同影响出发,结合Triangular核函数计算POI之间的位置相似性,实现基于地理位置的POI推荐。真实数据集上也证明该方法对POI推荐的有效性。（3）针对基于位置的社交网络（LBSNs）中存在的数据稀疏且含有噪声的问题,提出了多视角异质图神经网络的POI推荐模型。通过数据增强技术分别进行节点粗化dropout和细化link prediction操作产生多种视图,以达到图结构扰动和节点强化的目的。然后通过对局部子图进行随机行走来改进交互稀疏节点的表征。用层次化的图神经网络来聚合异质节点特征,从随机游走的节点序列中获得组的特征,并通过不同组到不同视图的内容嵌入来获得用户节点的特征表示,用于POI推荐。在真实数据集上进行算法性能评测,实验表明本文提出的模型具有良好的性能。