《計算機研究與發展》2014年的文章
文章摘要：在當今的大數據時代，推薦系統是解決信息超載的有效手段．傳統的協同過濾推薦系統僅僅使用用戶－項目評分矩陣，而異構信息網絡的出現爲推薦系統更多地融合用戶與項目信息提供了機遇。
1. 對推薦系統中的用戶屬性和項目屬性建立異構信息網絡
2. 首先使用基於元路徑的相似度計算方法分別計算用戶與項目的相似度矩陣；
3. 其次使用提出的３種將相似度矩陣與用戶－項目評分矩陣進行融合的方法；
4. 採用傳統的基於矩陣分解的推薦技術進行預測及最後的結果合併．****
矩陣分解被認爲是當前協同過濾推薦系統中效果最好的方法。純粹的協同過濾方法的輸入數據只有用戶-項目評分矩陣，因爲它只應用了用戶對項目的歷史評分，由於評分矩陣一般都十分稀疏，因此協同過濾的主要挑戰就是要用較少的有效評分來得到準確的預測。
以電影推薦爲例，實際生活中人們喜歡某部電影，不僅會看其他用戶對電影的評分，也會考慮到電影的演員、導演等屬性。因此考慮用戶和電影的多個屬性，構建異構信息網絡。通過選擇不同的屬性就會產生不同的聯繫路徑，各個路徑都對推薦結果有一定的貢獻，合併這些結果就可以實現更好的推薦。
目前基於異構信息的推薦工作還處於起步階段。通常僅僅考慮用戶與項目之間的交互關係所形成的異構信息網絡，卻放棄了用戶-項目評分矩陣這一協同過濾推薦中最重要的信息來源
這篇文章的主要貢獻：
基於異構信息網絡中元路徑選擇學習多個用戶與項目相似度，並與用戶-項目評分矩陣融合實現更好的推薦。
數據集：MovieLens 100K
衡量指標：平均絕對誤差
**
什麼是異構信息網絡
隨着社交網絡的發展而出現的一個較新的研究領域，也稱爲異構社會網絡。通過網絡模式指定了對象集合上的類型約束和對象間的關係約束，這些約束使得異構信息網絡是半結構化的，從而指導人們更好地去探索網絡語義。
異構信息網絡是一種特殊的信息網絡，包括多種形式的 對象類型，也包括多種類型的關係。