异构信息网络可以自然地模拟复杂的对象，并且可以根据不同类型的对象之间的联系来丰富推荐系统。当前，已经提出了大量基于异构信息网络的推荐算法。但是，现有算法无法提取和组合异构信息网络中的结构特征。因此，本文提出了一种基于异构信息网络的高效推荐算法，该算法利用图卷积神经网络的特征，自动学习节点信息，提取异构信息，避免了人工搜索元路径带来的错误。此外，通过充分考虑节点之间的得分关系，为了解决节点之间的评分问题，提出了一种将异构信息与评分信息融合策略相结合的计算策略，从而使预测评分更加准确。最后，通过更新节点，减少了训练规模，提高了计算效率。该研究对具有数百万条边的三个真实数据集进行了大量实验。实验结果表明，与PMF，SemRec和其他算法相比，该算法将推荐精度MAE提高了约3％，将RMSE提高了约8％，并显着减少了时间消耗。减少了训练规模，提高了计算效率。该研究对具有数百万条边的三个真实数据集进行了大量实验。实验结果表明，与PMF，SemRec和其他算法相比，该算法将推荐精度MAE提高了约3％，将RMSE提高了约8％，并显着减少了时间消耗。减少了训练规模，提高了计算效率。该研究对具有数百万条边的三个真实数据集进行了大量实验。实验结果表明，与PMF，SemRec和其他算法相比，该算法将推荐精度MAE提高了约3％，将RMSE提高了约8％，并显着减少了时间消耗。



"点击查看英文标题和摘要"