Los sistemas de recomendación son ampliamente utilizados en Internet. En los sistemas de recomendación, las preferencias de los usuarios son predichas por la interacción de los usuarios con los productos, como los clics o las compras. Por lo general, se utiliza una red de información heterogénea para capturar información semántica heterogénea en los datos, lo cual puede ser utilizado para resolver el problema de la dispersión y el problema de inicio en frío. En una red de información heterogénea más compleja, los tipos de nodos y aristas son muy numerosos, por lo que existen muchos tipos de metagrafos en una red de información heterogénea compleja. Al mismo tiempo, las tareas de aprendizaje automático en redes de información heterogéneas tienen un gran número de parámetros y arquitecturas de redes neuronales que deben ser configuradas artificialmente. El objetivo principal es encontrar la configuración óptima de hiperparámetros y arquitecturas de redes neuronales para el rendimiento de una tarea en el conjunto de espacio de hiperparámetros. Para abordar este problema, proponemos un método de búsqueda de metacaminos para redes de información heterogéneas basado en una búsqueda de arquitectura de red, que puede buscar metacaminos que sean más adecuados para diferentes redes de información heterogéneas y tareas de recomendación. Realizamos experimentos en los conjuntos de datos de Amazon y Yelp y comparamos las configuraciones de arquitectura obtenidas de una búsqueda automática con las estructuras configuradas manualmente para verificar la efectividad del algoritmo.