网络表示学习的目标是在有效保留网络信息的前提下将节点映射到低维向量空间进行表示,从而支撑网络数据挖掘的众多下游任务,如链路预测、节点分类等。网络表示学习已经成为网络分析领域的研究热点。现有的网络表示学习方法主要面向静态同质网络进行设计,然而现实世界中的网络通常是包含多种类型节点和链路的异质网络且网络结构随时间不断变化的动态网络,如电商网络、社交网络等。静态同质网络建模方法忽略了异质网络中丰富的语义信息和动态网络中的时序演化信息,难以学习到全面而有效的网络嵌入。此外,现实世界中普遍存在的网络稀疏性问题使得基于邻域聚合的网络表示学习方法难以捕获足够的邻域特征从而影响模型的实际应用效果。针对上述网络表示学习领域存在的问题,本文面向链路预测任务提出了一种基于元路径增强视图与多层注意力机制的动态异质网络表示学习模型Dy HAMP（Dynamic Heterogeneous Network Representation Learning Using Hierarchical Attention with Meta-path Enhanced View for Link Prediction）。该模型首先使用元路径增强视图模块对原始网络关系视图进行增强以得到更为稠密的网络数据,然后基于多层注意力模块提取增强网络中丰富的信息从而学习有效的网络嵌入,最后使用网络嵌入作为样本特征训练二分类器完成链路预测任务。Dy HAMP具体解决了以下问题:针对网络稀疏性问题,在元路径增强视图模块中通过添加辅助链路的方式将相应元路径实例上的节点引入到起始节点的一阶邻域从而增加网络链路数,提升网络稠密度;针对网络信息丢失问题,基于动态异质图进行网络数据建模以保留复杂网络中丰富的信息并基于多层注意力模块完成信息捕获,该模块中的结构注意力层用于捕获局部结构特征,视图注意力层用于捕获语义信息,时序注意力层用于捕获时序演化信息。本文在多个电商网络数据集和社交网络数据集上进行了广泛的对比实验。结果表明,Dy HAMP在链路预测任务的核心指标上优于多个主流模型。此外,本文设计了多组参数敏感性分析实验和消融实验,分析了核心超参数对模型的影响并验证了元路径增强视图模块和多层注意力模块的有效性。最后,基于Dy HAMP,本文设计并实现了一个直播电商商品推荐原型系统,为直播电商平台提供了一种新颖的推荐系统解决方案。