个性化推荐平台具有数据来源广泛且数据类型丰富的特点，而其中的数据稀疏是影响推荐系统性能的重要原因。如何挖掘推荐平台结构化数据和非结构化数据以发现更多特征，在数据稀疏场景中提高推荐的准确率，缓解冷启动问题，并且使得推荐具有可解释性，是推荐系统面临的重大挑战。因此，针对为User推荐Item的个性化场景，利用异构信息网络（HIN）构建推荐平台中对象间的关联关系，以元路径（Meta-Graph）描述对象间的关联路径并计算不同路径下的User-Item相似度矩阵；用FunkSVD矩阵分解算法分解User以及Item的隐式特征，并针对以文本为例的非结构化数据以卷积神经网络（CNN）技术挖掘这些数据的文本特征；将两种方式获取的特征进行拼接后，使用融入User和Item历史平均分的因子分解机（FM）来预测User对Item的评分。实验过程基于公开数据集Yelp建立提出的混合推荐模型、基于Meta-Graph的单一推荐模型、因子分解机推荐（FMR）模型以及基于FunkSVD推荐模型并对它们进行训练。实验结果表明，所提出的混合推荐模型具有较好的有效性和可解释性，相较于几个对比模型，该模型的推荐精度均有较大的提升。