网络嵌入(图嵌入)算法的目标是把给定图结构中的节点映射到一个低维向量空间中,这些低维向量可以反映节点在图中的上下文信息。节点向量可作为传统机器学习算法的输入,使传统机器学习算法可以应用在图分析任务上。网络嵌入算法在推荐系统、用户画像等领域中有着广泛的应用。现有的网络嵌入算法大多只能利用节点周边的短距离局部上下文信息,而忽略了远距离全局结构和网络本身的层次结构信息,严重影响了在大规模复杂网络结构下的节点嵌入向量的效果。另一方面,现有的异构网络嵌入算法只能对静态的网络进行建模,在动态变化的网络结构上运行效率很低,难以直接应用于现实场景。针对上述问题,本文提出一种多层次异构网络动态嵌入算法。首先本文采用蚁群行走的方式探测网络中的层次结构,构造出图金字塔,得到每一层图结构的嵌入向量后,使用降维的方式把多层次特征融合到最终的节点嵌入向量中。同时本文还提出一种基于异构连接扩增的动态网络嵌入算法,先对异构网络中的静态子网进行连接扩增以减弱网络的稀疏性,再对动态子网中的节点进行增量式嵌入,使算法在动态网络上能取得较高的运行效率,提升算法在实际场景中的实用性。本文通过在公开图数据集上的大量实验,证明了上述算法在实际图分析任务中的优越性。此外,为了验证动态异构网络的增量式嵌入算法在实际场景中的应用效果,本文还构造了一个学者论文关联任务的应用场景,采集了相应的大规模异构网络数据集,并在实验结果中与现有的学术搜索引擎系统进行了对比,结果表明该算法可以取得不亚于商业系统所取得的效果。