异构信息网络是现代信息网络中的普适性存在,且随着互联网技术的日益发展,其智能分析结果广泛应用在个性化推荐等各种领域中。但作为一种复杂的非线性结构,异构信息网络的高维、异构等特性给其直接挖掘带来了困难。网络表示学习通过映射函数的学习将信息网络中的节点表示成低维、稠密的向量形式,可为后续节点聚类等智能分析任务提供有效的特征表示机制,目前已成为信息网络挖掘中重要的研究基础。目前,网络表示学习方法在同构信息网络上已日趋成熟,能较好地表征网络的拓扑结构。但异构信息网络中各种不同类型的节点和节点间交互关系,带来语义多样性的同时也给异构信息网络表示学习带来了极大的挑战。此外,网络表示学习方法大都局限于节点局部拓扑结构和节点局部交互关系,未融合节点在局部网络结构中的表示和网络的全局结构信息,因此,如何综合节点在局部网络结构中的表示和网络全局结构信息也是异构信息网络表示学习领域中的另一大挑战。有鉴于此,本文以异构信息网络为研究对象,围绕异构信息网络上的网络表示学习,针对如何提取异构信息网络中丰富的语义信息,以及如何在网络表示学习中综合节点在局部网络结构中的表示和网络全局结构信息展开研究。首先,针对异构信息网络中网络表示面临的语义多样性问题,本文在图注意力神经网络中使用层次注意力充分表示异构信息网络中多条元路径的语义信息;然后,将节点级注意力与跳跃知识网络结合;最后,添加边界损失并特别引入节点外部类别标签信息,通过邻域损失函数指导表示学习模型的训练,使得模型在提取网络中丰富语义信息的同时,也能较好地兼顾网络结构。其次,针对异构信息网络的表示学习中节点在局部网络结构中的表示和网络全局信息融合的问题,本文提出了基于互信息的异构信息网络表示学习模型。其通过编码表示学习模型得到节点在局部网络结构中的表示,再经由全局表示编码器得到网络全局表征向量;然后,基于生成对抗思想提出一个负样本生成器,并添加扰动形成对抗性数据,从而进行对抗训练以生成负样本;最后,在整体上进行对抗训练以最大化全局向量和节点在局部网络结构中的表示之间的互信息,进而实现生成的网络表示在节点局部表征的基础上融入全局网络结构信息。实验表明,本文通过层次注意力、跳跃知识网络、负样本生成器和基于互信息的判别器间的对抗训练考虑网络中的多语义信息,并将网络全局结构信息和节点在局部网络结构中的表示有效融合,得到较高质量的网络表示。