近年来,电子商务如雨后春笋般不断发展壮大,其涵盖面越发广泛,并迅速引领社会发展潮流,电子商务行业已成为国民经济发展的一支坚实力量。自2020年1月月末,新型冠状病毒肺炎疫情进入了大规模爆发期,在这一艰难时段,电子商务的线上运营优势也逐渐显现出来,电商行业所受到的复工影响程度相比其他行业较低,其更高的复工率令其他行业望尘莫及。电商网络具有网络异构性,异构网络表征学习及用户社区划分是挖掘电商网络异构信息的两个主要方面,其中,异构网络表征学习作为用户社区划分的前序研究,为后者提供准确的用户节点表征输入。开展异构网络表征学习及用户社区划分研究有助于挖掘电商异构网络中的信息资源,为多种电商应用场景提供支撑服务,如客户关系管理、个性化推荐等。推动电商平台技术进步能够提高社会人群的生活质量及社会发展速率,但现有的研究成果仍有进一步提升的空间。本文对现有研究成果进行分析,得出在两个方向上存在问题:一是关于电商异构网络中用户节点表征的算法大多从单一方面描述用户节点特征或从几个不同方面组合描述用户节点特征,没有充分利用用户节点语义信息及网络结构信息。二是当前用户社区划分算法大多因缺乏对电商网络异构性的考量,导致社区划分准确度不高。对于以上问题,本文提出一种电商异构网络中的用户社区划分方法,该方法包括如下两个部分:一、针对电商异构网络中用户节点表征不合理的弊端,本文提出一种融合语义信息和结构信息的用户节点表征算法。首先,使用矩阵分解SVD优化得到用户低阶特征向量;然后,利用图神经网络协同过滤模型的节点传递特性构造用户高阶特征向量;接下来,经过DCA融合器将用户高低阶特征向量进行特征融合,并从带有节点属性的电商异构网络中提取用户节点的边嵌入;最后,对用户节点的固有属性、用户与商品节点之间的关联属性和用户节点的边嵌入进行整体嵌入,实现用户节点的合理表征。二、针对现有用户社区划分算法准确度不高的问题,本文提出一种电商异构网络中基于多层信息融合的用户社区划分算法。首先,根据不同关系类型对电商异构网络进行分层处理,构造基于不同关系类型的用户节点嵌入;然后,经过表征融合将不同层的用户嵌入合并,获得电商异构网络中的用户融合嵌入表征;接下来,使用目标函数优化用户节点的相关参数;最后,通过改进的K-means算法形成用户聚类,得到合理的用户社区划分结果。本文基于四个电商平台数据集对所提电商异构网络中的用户社区划分方法进行对比实验。经实验验证,本文所提用户节点表征算法切实可行,相较于其他主流用户节点表征算法,可以更为全面、准确地表示用户节点特征。进一步实验可知,本文所提用户社区划分算法与主流用户社区划分算法相比,在社区划分精确度方面具有更好的表现。