随着大数据时代的到来,海量信息喷涌而出,现实生活中的网络信息规模不断扩张。如今在网络中已经涌现出纷繁复杂的节点类型,以及复杂多样的关系类型,甚至伴随出现了节点或关系的附属属性信息,此类异质网络给网络分析带来了挑战。异质网络表示学习的目的是在最大程度上保留网络拓扑结构信息以及丰富语义信息的情况下,将节点嵌入到低维向量空间中,并通过一系列下游验证任务来验证节点表示的准确性。近年来,异质信息网络表示学习领域中层出不穷的表示学习方法,在信息融合过程中,很少考虑融合节点附属属性信息之间的关联性带来的影响,使得在属性融合过程中引入过多噪声信息,从而降低节点的表示能力。并且,相关研究工作中没有针对于网络中的不同语义关系设计个性化融合函数,大多采用统一的模型对异质网络进行训练,忽视了网络的多样性和复杂性。为了解决以上问题,本文的主要研究工作内容如下:1.提出了基于多粒度信息融合的带属性多重异质网络表示学习算法MGRL。该算法首次提出方差权重的概念,在细粒度的信息融合过程中,采用方差权重的思想为不同属性分配不同大小的权重值,消除了不区分属性重要度进行统一融合而引入大量噪声的弊端。其次,在粗粒度信息融合上,为不同语义关系的信息融合设计了不同的个性化融合函数,在最大程度上提高了节点表示对丰富的语义信息的表示能力。2.提出了基于多视图信息融合的异质图神经网络表示学习算法MVRL。为了解决当前领域中对网络的研究仅仅局限于单一视角的问题,该算法从更加全面的视角将原始网络拆分成多种视图下的子网络,并分别对不同视图下的子网络进行表示学习。同时,为了解决不同视图下子网络在信息融合过程中的非平衡性,本文提出了多视图方差权重的思想,对多个视图分配各自合理且可解释的权重值,以此来避免冗余视图信息的融合,从而起到增强节点表示能力的作用。