近年来,互联网的发展使得数据和信息的规模大幅增加。在这种情况下,推荐算法显得尤为重要。推荐算法可以帮助人们快速的找到自己感兴趣的信息,节省用户的时间,现在推荐算法已经非常成熟,有很多已经成功的应用到了工业当中,取得了不错的成果。如今的研究算法存在的普遍问题为准确性不高的问题,而且关于公平性的推荐也少有研究,因此本文从这两个出发点对推荐系统进行深入的研究。首先,针对推荐算法中普遍存在的推荐的准确性的问题,本文提出了融合强化学习和异构信息网络的推荐方法（Reinforcement Learning-Heterogeneous Information Network,RL-HIN）,该方法首先对元路径进行分析与选择,选出合理的元路径,然后利用强化学习网络对元路径的权重进行训练,首先构建马尔可夫决策过程,然后利用深层强化学习网络进行训练,最后得出元路径的最佳权重进行推荐。该方法利用异构信息网络和强化学习相融合选择出了最优权重的元路径,很大程度上提高了推荐的准确性。其次,针对推荐系统中存在的公平性问题,本文摒弃传统的推荐的手段,提出了公平性的个性化推荐方法,此方法将热门项目推荐与非热门项目推荐分开,根据预先约定的推荐长度和热门项目推荐与非热门项目比例进行,同时保证推荐的准确性和公平性,在热门项目推荐中首次提出融合情景因素对用户评价偏差的影响,经过神经网络训练,对热门项目进行了推荐,提高了推荐的准确率。再次,针对非热门项目中缺乏数据而导致无法被推荐的问题,本文设计了非热门项目的公平准确函数,将非热门项目中存在的推荐问题转变成条件约束下寻找最佳项目组合的问题,进而完成对非热门项目的推荐,最终解决了非热门项目在推荐中被忽视的问题,达到了公平的推荐效果。最后,在Movie Lens 1M数据集和MTRC数据集对本文所提出的方法进行了性能验证和对比分析,并采用RMSE、MAPE、公平性、准确率、召回率等评价指标验证了本文算法的准确性和公平性。