在信息网络中,确定任意节点之间是否存在链接,基本的方法是使用邻接矩阵进行表示。但这样的方法会出现以下问题:如果节点仅有较少的邻居,即随机两个节点间可能不存在相连接的边,那么基于这些节点所构建的邻接矩阵就变得稀疏,并导致耗费很多不必要的空间来进行存储。因此,需要引入网络表征学习来应对以上问题。网络表征学习旨在将节点和向量之间找到一种映射函数并建立关系,同时保留网络拓扑性质,通过该函数将网络中的每一个节点转换到相应的低维潜在表示。异质信息网络刻画了不同对象间复杂的关联关系,并且还包含了不同节点和链接之间所产生的语义,但现有网络表征学习的研究方法大多是基于同种类型节点和链接关系的同质信息网络的研究,并且忽略了网络中节点特征和链接类型的多样性。目前,异质信息网络的表征学习在使用基于图卷积神经网络和基于图注意力机制这两种深度学习的算法时也仅限于单层模型的使用,并没有充分捕捉到异质信息网络丰富的拓扑结构、节点特征和语义信息。为了应对上述挑战,本文的具体工作如下:（1）提出了一种基于双重图卷积的异质信息网络表示学习方法（Heterogeneous Dual Graph Convolutional Neural Networks,HDGCN）。首先,构建特征图和根据不同的元路径提取异质信息网络中复杂的拓扑结构信息。其次,通过一个双重通道图卷积神经网络从不同通道分别得到网络拓扑以及特征属性的表征,再结合注意力机制,融合不同元路径产生的语义信息和结构信息进行表示学习。此外,通过构造一致性损失函数,旨在充分捕捉异质信息网络中两种结构的一致性,以增强不同结构之间的特征共性。（2）提出了基于自适应多通道的异质信息网络表征学习的方法（Heterogeneous Adaptive Multi-Channel Graph Convolutional Neural Networks,HAM-GCN）。为了进一步弥补HDGCN并未充分获得拓扑结构的高阶邻居信息,HAM-GCN首先根据不同的元路径提取异质信息网络中复杂的拓扑结构信息,并把这些拓扑结构信息通过随机过程的正点对互信息（Positive Point-wise Mutual Information,PPMI）矩阵进行构造。其次,HAM-GCN通过设计同样的三个通道来同时从节点特征、拓扑结构及其组合中提取关于不同元路径的特定和公共嵌入。最后,设计了通道级注意力和语义级注意力两级注意力机制,以融合从不同通道和不同元路径自适应学习注意力权重以获得的低维表示。通道级注意力专注于学习每个通道的重要性并为其分配不同的注意力值,语义级注意力旨在学习每条元路径的重要性并为它们分配适当的权重。三个通道的协同优化有利于嵌入基于局部一致性的知识和基于全局一致性的知识,以及学习拓扑结构和节点特征之间的一些深层相关信息。使用两级注意力有助于选择最相关的通道和元路径。（3）本文采用了四个真实的异质信息网络数据集DBLP、ACM,IMDB和YELP进行了充分的实验,通过节点分类、链路预测、可视化等下游任务以及参数敏感度分析和消融对比以验证HDGCN模型和HAM-GCN模型的有效性。HDGCN和HAM-GCN在节点分类任务中均能优于所对比的基线方法,充分验证了HAM-GCN具有提取不同元路径生成的最多相关信息节点特征、拓扑结构和语义信息的能力。