1.一种基于异构信息和同构信息网络融合的社交推荐方法，其特征在于，包括以下步骤：通过原始数据构建同构信息网络，在该网络进行随机游走，获取同构节点序列，并对同构节点序列进行嵌入，得到节点表示；

通过原始数据构建异构信息网络，在该网络中进行基于元路径的随机游走，获取异构节点序列，对异构节点序列去噪得到同构节点序列，并对同构节点序列进行嵌入，得到节点表示；

将基于同构信息网络得到的节点表示和基于异构信息的节点表示进行融合，得到节点唯一标识；

将获取的唯一标识输入到基于矩阵分解的预测器中，分解得到推荐列表。

2.根据权利要求1所述的一种基于异构信息和同构信息网络融合的社交推荐方法，其特征在于，对同构节点序列进行嵌入时，通过随机梯度下降法来优化目标函数，得到映射函数f(·)，通过将每个节点映射到d维特征空间，得到节点表示，目标函数表示为：其中， 表示一个将每个节点映射到d维特征空间的函数， 表示节点u的邻域。

3.根据权利要求1所述的一种基于异构信息和同构信息网络融合的社交推荐方法，其特征在于，在异构信息网络中进行基于元路径的随机游走，获取异构节点序列包括：给定一个异构信息网 和一条元路径ρ： 行走路径的生成过程表示为：

其中，nt表示随机行走的第t个节点，υ表示At的一种类型节点， 表示节点υ的一阶临界节点集，P(nt+1＝x|nt＝v,ρ)为行走路径的分布函数。

4.根据权利要求1所述的一种基于异构信息和同构信息网络融合的社交推荐方法，其特征在于，对异构节点序列进行嵌入，得到节点表示包括：将基于异构信息网络所表示的用户和项目嵌入分别进行融合，表示为：

其中， 和 分别表示在异构信息网络中学习到的最终的用户表示和项目表示；g(·)表示个性化的非线性融合函数；δ(·)是非线性函数；M(l)表示异构信息网络嵌入融合时的转换矩阵，b(l)表示异构信息网络嵌入融合时的偏向量； 为用户u对第l条元路径的偏好权重， 为项目i对第l条元路径的偏好权重； 表示元路径的集合。

5.根据权利要求1所述的一种基于异构信息和同构信息网络融合的社交推荐方法，其特征在于，对同构节点序列进行嵌入，得到节点表示包括：将基于同构信息网络所表示的用户和项目嵌入分别进行融合，表示为：

其中， 和 分别表示在同构信息网络中学习到的最终的用户表示和项目表示；g(·)表示个性化的非线性融合函数；δ(·)是非线性函数；M(k)表示同构信息嵌入表示融合(k)时的转换矩阵，b 表示同构信息嵌入表示融合时的偏向量；m表示节点数量； 为用户u′对第k个节点的偏好权重， 为用户i′对第k个节点的偏好权重。

6.根据权利要求1所述的一种基于异构信息和同构信息网络融合的社交推荐方法，其特征在于，将基于同构信息网络得到的节点表示和基于异构信息的节点表示进行融合，表示为：其中， 和 分别为用户u和项目i的最终表示； 和

为在同构和异构信息网络中得到的用户u和项目i的表示，i为同

构信息网络中的项目，i′为异构信息网络中的项目，I为同构信息网络中的项目集合，i′为异构信息网络中的项目，I′为异构信息网络中的项目集合；u为同构信息网络中的用户，U为同构信息网络中的用户集合，u′为异构信息网络中的用户，U′为异构信息网络中的用户集合；M(m)表示同构和异构信息网络中嵌入融合时的转换矩阵；b(m)表示同构和异构信息网络中嵌入融合时的偏向量；δ表示sigmoid函数。

7.根据权利要求1所述的一种基于异构信息和同构信息网络融合的社交推荐方法，其特征在于，将学习到的用户和项目表示融合到评价预测器中，获得社交推荐预测模型，该模型得到的预测值表示为：其中， 表示预测评分； 和 分别表示与 和 相匹配的特定于用户和特定于项目的潜在因素；α和β是调优参数；Xu和Yi分别表示为评分矩阵基于矩阵分解得到的用户向量和项目向量。

8.根据权利要求7所述的一种基于异构信息和同构信息网络融合的社交推荐方法，其特征在于， 和 通过优化函数进行学习得到，对函数采用随机梯度下降法SGD进行优化，该函数表示为：其中， 表示预测评分，λ是正则化参数，Θ(U)和Θ(I)分别表示用户u和项目i对于函数g(·)的参数。