分析和挖掘数据中的信息和知识是当今大数据时代最有应用价值的研究问题之一。过去数十年,人们开发了大量的数据分析算法并取得了巨大的成效。这些算法的优越性能取决于它们能够学得很好的数据特征,因此能够挖掘出数据中隐藏的信息和知识。学习数据的特征在数据分析任务中占据着至关重要的位置,在数十年来一直广受机器学习和数据挖掘领域的研究人员的关注。异质信息网络是一种很多现实场景中存在的数据类型,例如社交媒体中的社交网络、个性化推荐系统中的用户-商品兴趣网络、生物学中的大分子蛋白质交互网络等等。异质信息网络分析,例如节点分类、链接预测、节点聚类等等,能够促进这些相关领域和学科的进一步发展。因此,本课题以异质信息网络为研究对象,研究学习异质信息网络中节点的特征,即异质信息网络表征学习。本文通过调研现有的先进网络表征学习算法,得出它们主要存在两个缺陷:1)只考虑了网络中链接数量对节点相关性的影响,而忽略了链接本身的性质,因此会丢失原始网络中的一些语义信息;2)现有的算法不能很好地显式揭示在表征学习过程中网络中的结构和语义信息如何被保留在向量空间中。针对这两个问题,本文先提出了两种基于事件(超边)的节点相关性定义(一阶和二阶事件驱动亲近性),前者用来衡量由于节点间链接的数量所导致的节点相关性,后者用来衡量由于链接本身性质所导致的节点相关性。然后,本文提出一个新的网络表征学习框架Event2vec,其在表征学习过程中通过保留这两种节点相关性信息来保留原始异质信息网络中的结构和语义信息,并且进一步地通过数学推导证明了Event2vec能够显式地将原始网络的这两种节点距离信息保留在嵌入空间中。实验中Event2vec在四个真实数据集(DBLP、Douban、IMDB和Yelp)和三个网络分析任务(网络重构、链接预测和节点分类)比现有的五个先进方法(DeepWalk、node2vec、LINE、metapath2vec和DHNE)在总体上取得了更好的性能,证实了Even2vec能够更有效地保留原始异质信息网络的结构和语义信息。