自西地那非在临床观察中被偶然发现非原始目标适应症开始,药物开发渐渐衍生出一个新的领域——药物重定位。该领域致力于为药物寻找新的疾病适应症,让老药“焕发新生”,让未成功上市药物“变废为宝”。由于关注的药物均已经过一定的毒副作用临床验证,对比药物研发,药物重定位极大地降低了经济成本和上市时间,近年来越来越受到各界的探讨与研究。为了更好地学习异构网络中高度非线性特征和适应多源数据的模型延展性,本文选用图表示学习结合链接预测的研究框架建立了两个模型。调研现有文献,着眼于解决多源数据的异质性语义提取与融合问题的研究鲜有被提出。因此,模型I使用元路径图采样异构网络中的节点邻域,使得拓扑结构蕴含着复杂的语义信息,进而改进图卷积网络模型。对比随机游走图采样改进图卷积模型,模型I的AUROC、AUPRC均提升了4.7%,F1 score提升了2.1%,说明模型I的改进思路有益于异构网络的语义提取。对比图模型和矩阵分解模型,模型I比表现最好的对比模型AUROC、AUPRC、F1 score提高8.1%、14.8%、10.3%。扩展数据集维度,并考虑到异构节点、边缘的差异性,本文进一步提出模型II——HGAlinker模型。该模型使用元路径相关算法挖掘了三种药物、疾病节点的异构图模式,使其隐含不同的语义信息。由于图卷积模型同等地看待邻域节点,模型II选用异构图注意力网络分层地学习与融合异构图模式中的节点信息和语义信息,并将融合结果输入下游连接预测模型。模型II从学习能力、鲁棒性、生物可解释性三个维度对比图模型、矩阵分解模型和深度学习模型,模型II比表现最好的对比模型AUROC、AUPRC提升1.3%,recall of K在实验范围中均高于0.4以上。同时模型II还分析了参数敏感性,并通过两个案例分析,对生物可解释性进行了说明。