网络,即具有图结构的数据,作为一种能够有效表达实体间关系的数据结构,被广泛应用于推荐系统,社交网络分析等领域。但是对图数据进行挖掘和分析需要大量的标注数据,即图节点带有标签。但是在现实生活中得到的图数据往往没有大量的标注信息,只有少量的标注信息甚至完全没有。而图数据往往规模庞大,甚至可能有数十亿个节点,如果进行人工标注将耗费大量的人力、物力和时间。并且可能会导致用户隐私数据泄露的风险。跨网络节点分类,旨在利用网络嵌入、迁移学习技术将从含有丰富标注的源网络中学到的节点嵌入表示,迁移到目标网络,解决目标网络中节点标注信息稀疏的问题。将知识蒸馏技术引入到多源跨网络节点分类方法中,能够有效提高学生模型的分类概率中的信息量。图可以按照节点和边是否只有一种类型分为同构图和异构图两种类型。同构的节点和边都只有一种类型。而异构图相比同构图更为复杂,节点和边至少一个不只一种类型。在研究图节点分类任务时,如果简单的将异构图看作同构图处理,忽略不同类别的节点和边的差异,是无法充分利用图中包含的信息,也无法在分类精度上获得令人满意的结果。因此本文中对于同构图和异构图分别提出了跨网络节点分类方法。针对多源同构跨网络节点分类问题,本文提出了一种基于节点蒸馏的对抗跨网络节点嵌入方法,该方法首先利用源域网络数据进行教师模型的训练,训练出网络嵌入模块和节点分类器模块,并且利用对抗域适应的方法让网络嵌入模块能够学习到既能够区分节点类别,又能够学习网络数据的领域不变性的表示。其次,通过计算源网络节点和目标域网络节点之间分布差异,选择一定比例的和目标域网络数据相似的源域网络节点训练学生模型。最后,将目标网络数据作为输入,输入到多个学生模型获得多个目标域网络中节点的预测结果。通过对这些预测结果进行加权聚合得出最终预测结果。在引文网络和蛋白质交互网络上的实验。大量试验表明,本文所提出的多源同构跨网络节点分类模型的分类准确率优于现有的最先进的模型。针对多源异构跨网络节点分类问题,本文提出了一种基于元路径蒸馏的共享参数网络嵌入方法,该方法首先利用源域网络数据进行教师模型的训练,在不同的元路径的条件下,用共享参数的网络嵌入模块提取源网络和目标网络的特征信息。使用最大均值差异MMD和L1归一化来对异构网络节点进行语义级嵌入和节点级嵌入进行对齐,让网络嵌入模块能够学习异构网络数据节点的领域不变性表示。其次,本文对源域异构网络数据的元路径进行蒸馏,选取一定比例的与目标网络元路径分布最为接近的元路径,训练学生模型。最后,将目标网络数据作为输入,输入到多个学生模型。对得到的多个预测结果进行加权聚合得出最终预测结果。在多个异构引文网络上的大量实验表明本文所提出的多源异构跨网络节点分类模型的分类准确率优于现有的最先进的模型。