随着互联网技术的不断的向前发展，信息量爆炸问题已经存在已久并且在相当长一段时间内还会持续扩大化。互联网用户时刻面临着信息碎片化的问题，如何有效的筛选信息，获取更感兴趣的资讯成为迫在眉睫的需求，而推荐系统正是解决这一问题的利器。推荐系统是通过建模分析用户的兴趣偏好和历史行为，主动地向用户推荐他可能感兴趣的信息，比如向用户推荐他可能感兴趣的图片，地点等。而用户和待推荐对象的向量化特征表示是决定推荐系统效果的关键性因素。目前最为广泛使用的向量化方法是基于矩阵分解的一大类方法，通过分解得到的用户和对象之间的隐含变量建模出用户的兴趣偏好和对象的属性特点，从而实现推荐。然而，传统的基于矩阵分解的方法均面临着数据稀疏的问题，即当用户和对象之间的相互关系信息的观测值非常稀疏时，传统的矩阵分解技术很难从中有效地挖掘出用户的兴趣偏好和对象的属性特点。　　另一方面，随着在线图片分享网站(例如:Flickr)的兴起，数据的种类和数据之间的相互关系越来越多样化。例如，用户上传图片的内容信息，用户之间好友关系，用户对图片的标注、评论等多种行为，图片自带的地理位置信息等。这些信息抽象成数据对象及其相互关系，即可构成典型的异质信息网络。如果能针对特定的推荐场景，高效并充分的挖掘和利用异质信息网络内部各个数据对象及其关系之间的关联性，将有效解决传统方法中数据稀疏的问题，从而提高推荐效果。　　因此，本文的工作主要围绕基于异质信息网络的推荐展开，针对不同的推荐场景，提出相应的有效融合内容信息的解决方案。本文研究的主要内容和贡献如下:　　1.本文针对在图片和标签相关联的推荐场景下，社交网络上图片的用户标注存在大量缺失和噪声的问题，提出了一种基于社会属性的图片自动标注算法。该方法通过建模用户标注偏好一致性和内容与标签分别表征的图片相似度一致性来解决如何补全缺失的图片标注和消除噪声标注这一问题。具体而言，社交网络图像具有丰富属性信息（位置、用户等），考虑在局部地理区域同一用户对所拥有图像标签偏好一致的假设下，引入用户先验信息以提升标签推荐算法性能。现有基于矩阵补全的前沿算法存在维数灾难问题，考虑利用图像的位置信息聚类分块处理。本文所提出的方法在公开数据集YFCC100M的两个70万规模数据子集上的图像标注性能都超过了现有的前沿的矩阵补全方法5％以上，聚类后分块并行处理有效降低了算法复杂度。　　2.本文针对图片与用户和地点相关联的推荐场景，提出了一种基于集成式矩阵补全的语义特征学习方法，它通过挖掘社交网络上异质对象（图像，标签，用户，地点）间存在的多种二元关系，将这些关系集成式学习更好的语义特征（用户标签关系和地点标签关系）并用于多种推荐应用中去。图像与用户之间以及图像与地点之间的一对多关系可以对图像以用户和地点分别分块处理。对单一用户（单一地点），按照图像与视觉内容间关系指导图像标签关系学习和图像标签关系指导用户（地点）标签关系这一信息共享传递链的方式集成式学习两种语义特征。本文的方法能将异质信息网络的多种关系更有效地融入到部分关系集成式学习中，帮助解决数据稀疏的问题。　　3.本文针对用户和地点相关联的推荐场景，提出采用深度度量学习的基于内容的地点推荐方法，通过将用户和地点分别用深度视觉特征表达并加入度量学习约束，有效地将潜在的感兴趣地点推荐给用户。图片经过卷积神经网络处理后的输出包含丰富的高层次语义信息（深度特征），而图片和用户以及图片和地点之间的关系使得用户和地点可以分别用图像的深度特征来表示。同时为了学习到更好的图像深度特征，考虑用度量学习的策略让具有相同用户或者相同地理位置的不同图像的深度特征表示尽可能趋向一致。本文的方法在YFCC100M的多个以城市经纬度划分的数据子集上的地点推荐性能都相对于现有的基于矩阵分解类地点推荐方法有明显提升。