深度学习的蓬勃发展在机器学习领域引起了巨大的浪潮和改革,诸如智能语音答疑、计算机视觉、数据挖掘和信息检索等方面,社交网络节点分类就是其中一个分支。这些任务中的数据通常表示在欧几里德空间。但是现在越来越多的应用程序产生的数据可以根据其社交网络的特征自然演化为图这种新颖的数据形式,表达在非欧几里得空间。这样的就对传统的相关领域算法提出了一个巨大的挑战。然而,近几年的图节点分类方法仍存在许多的不足:（1）这些方法仅适用于由相同类型的节点和边组成的同构图,而在具有不同类型的节点和边的异构图上研究尚显不足。这样就对社网络网多元化、复杂化数据的处理和分析造成了很大的障碍,也无法更深层的挖掘用户信息的价值。（2）传统的方法专注于挖掘局部节点特征和图结构信息,但忽略了节点时间序列的全局连续性。社交网络往往是动态变化的,现有的算法多为基于静态图的数据结构,不能有效的考虑到不同时间步之间相同节点和不同节点之间的前后依赖关系。（3）这些实体并不是和其他所有实体都有所联系的,只有在同一领域有所交集或者由于不同原因相识的实体中才具有这样的特性,所以社交网络不同节点之间既有联系也相对独立。针对现有静态图神经网络方法难以考虑社交用户动态特性的问题,通过引入动态图模型提出了一种基于异构动态图模型的社交网络节点分类方法。进而在动态图建模的基础上,通过基于点边交互的节点特征更新机制和基于循环神经网络的时序聚合方法实现了高效的动态社交网络节点分类。论文主要工作包括:（1）对于某些复杂的社会关系,同构图通常不能完全表示各个节点之间的关系。在这种情况下,必须构造具有多种类型的节点及其关联属性的异构图。与现有工作大多基于同构图不同,本文基于异构图的构图方式,提出了一种基于异构动态图的神经网络,采用静态图编码器来处理不同时间步上每个异构图的节点表示,捕获动态图所有时间步内节点不断变化的特征信息,并在每个时间步获得有效的节点表示。之后通过循环神经网络挖掘在不同的时间步之间不同类型节点的联系和相互依赖关系,使得模型能有效学习区分不同节点类型的特征。最后在现实的三种社交网络数据上进行验证,效果超过基于静态图和动态图的基准方法。（2）社交网络虽然是在动态发展,不断演化的,但是其存在自身的规律和特征,这代表着在相同时间步和不同时间步之间的节点存在着一定的联系。本文在异构动态图神经网络的基础上,提出了基于异构动态图的稀疏化神经网络来考虑实体节点之间的连接关系,通过稀疏化函数对节点之间的关系进行挖掘和学习,而不再是像传统方法中不同时间步之间的所有节点进行全连接的信息聚合。最后,通过在三种社交网络数据上与传统静态图模型、动态图模型和其他稀疏化模型进行比较,证明本文的方法确实有效和可行的。