随着信息技术的快速发展和互联网应用的增多,每天都会有海量的网络数据被保存下来。这些网络数据的分析可以揭示网络中隐藏的信息,辅助人们做出决策。但是,网络的规模通常较大,结构也比较复杂,这给网络分析造成了很大的挑战。网络嵌入将网络转换到一个低维空间,在这个低维空间中保存网络的信息,为解决网络分析问题提供了一种有效的方法。属性异质网络是一种包含了多种类型的节点和边的网络,其中不同类型的节点具有不同的属性信息,也就是说,属性异质网络中节点的属性也是异质的。如何处理属性异质网络中拓扑结构和属性的异质性,在嵌入空间中尽可能的保存属性异质网络中的丰富信息,是属性异质网络嵌入存在的难点。另外,由于网络中节点的标签往往很难获得,所以研究如何对属性异质网络进行有效的无监督嵌入具有十分重要的意义。针对以上问题,本文研究了属性异质网络的嵌入学习,主要工作概括如下:（1）提出了一种针对属性异质网络的嵌入方法（Attributed heterogeneous network to vector,AHN2Vec）。AHN2Vec使用多关系图卷积网络（Relational Graph Convolutional Network,RGCN）来保留属性异质网络中节点的k阶邻域属性,使用不同的线性变换保留不同类型节点的原始属性,并通过结合两种属性的重构来保留属性异质网络中的节点属性信息和其k阶邻域属性。同时,为了保留属性异质网络中的拓扑结构信息和语义信息,AHN2Vec通过基于元路径的随机游走来获得属性异质网络中富含不同语义信息的节点序列,然后结合跳字模型,利用这些序列中节点的邻近关系来无监督地学习节点的嵌入,从而在嵌入空间中保留异质网络的语义信息、节点及其k阶邻域属性、拓扑结构信息。最后,针对属性异质网络嵌入的具体过程,优化了AHN2Vec模型的实现过程并给出了相应的伪代码。（2）在3个真实数据集上,对AHN2Vec模型所产生的嵌入进行了节点分类、节点聚类、相似性查询等实验,并进行了模型的参数敏感性实验和节点可视化。实验结果表明,AHN2Vec整体优于对比算法,能够针对不同属性异质网络产生高质量的节点嵌入,并在对比实验中取得优异的表现。（3）设计了一个网络嵌入原型系统,该系统集成了AHN2Vec及其他对比算法,可以对不同的网络进行无监督嵌入,并且在训练完成后,可以选择不同的对比实验对相应的嵌入向量进行性能评估。