随着信息技术的发展,由于推荐系统通过采用海量数据挖掘的方式,为用户快速准确地筛选出所需要的信息,提供个性化服务和决策支持,而成为近年来的研究热点。特别是随着深度学习的发展,研究人员已经提出了大量高效的智能推荐算法和应用平台。但是由于推荐系统的数据稀疏性、冷启动以及难以解释性等问题,个性化推荐方法仍存在一些问题亟需进一步的改进。本文通过结合用户评论信息缓解数据稀疏性和冷启动问题,并结合上下文信息,构建异构信息网络（HIN）模型,增强深度学习方法的可解释性,进而提高推荐系统的准确性。具体工作内容如下:（1）提出了结合情感分析的异构信息网络推荐模型（HRCSA）。该模型首先利用门控循环单元神经网络对用户评论进行情感分析,实现用户情感分类。然后,融合用户、项目属性特征和用户评论信息,利用HIN,建立用户与项目之间的关联,生成元路径实例。最后,将<用户、元路径、项目>三项交互带入评分预测模型中预测用户评分。HRCSA在两个数据集上进行验证,评估结果显示HRCSA模型优于MF、BPR、SVD、MFPR、MCRec和HREec等基线模型。（2）提出了结合BRNN的异构信息网络推荐模型（HCBRec）。研究在HRCSA模型的基础上,选用BRNN网络,利用该网络不仅能根据前一时刻和当前时刻的输入信息进行推测,还能将后续信息也考虑其中的特点。提取<用户、元路径、项目>三项交互的上下文信息,进行用户评分预测。实验结果表明,HCBRec在Douban＿movie、Douban＿book以及Movie Lens100k三个数据集上的预测准确性较高于多种已有基线推荐模型。（3）为了验证HCBRec模型在实践应用中的可行性。设计并实现了个性化书籍推荐系统。从用户需求出发,设计系统数据库,使用Layui前端框架和Spring Boot后端框架完成系统搭建,证实了HCBRec模型的可行性。