为了完全挖掘异质信息网络中节点的特征并且更好地融合这些特征，提高推荐算法的性能，提出一种基于自注意力机制的局部与全局特征融合的评分预测算法（rating prediction algorithm based on self-attention mechanism and fusion of local & global features，AMFL&GRec）。首先基于LeaderRank算法提取目标节点的全局序列，基于元路径带偏置的随机游走算法提取节点的局部序列，通过skip-gram模型分别学习节点的全局特征与局部特征；通过自注意力机制学习目标节点对局部与全局特征的偏好，从而得到在单一元路径下节点的特征表示；再通过自注意力机制融合不同元路径下同一节点的表示，从而得到节点在不同元路径下的最终特征表示；最后基于多层感知器实现评分预测任务。在两个真实数据集进行了大量实验，实验结果验证了AMFL&GRec算法不仅能够捕获具有密集连通节点的微观（局部）结构，而且还能够捕获该节点在网络中的全局结构，从而使其得到的节点特征得以体现节点的整体（局部+全局）特征。同时，实验结果也证明了AMFL&GRec算法评分预测性能优于对比算法，从而证明利用自注意力机制考虑异质信息网络中节点对于局部、全局特征以及元路径的偏好能够提高评分预测的准确性。