网络广泛存在于我们现实生活之中,通过计算机建模之后可以抽象成信息网络,例如,微博好友信息网络等,信息网络有同构和异构之分。异构信息网络包含多种类型的节点和边,能够更加真实地表征现实生活中的网络。社会中每天都有大量的数据产生,研究者可以在这些大量数据的基础之上提取关键信息,建立相关的信息网络,利用相关算法来对其进行有效的研究之后可以应用到:社会治安管理、舆情监控、商品推荐等诸多方面。本文在DBLP数据集的基础之上,建立DBLP学术文献异构信息网络,提出多路径迭代度量模型(MPIMM)和基于元路径计算相似性的标签传播算法(PathLPA)来对信息网络进行节点重要性度量和社区发现。节点重要性度量是研究网络的维度之一,通过有效度量节点的重要性,可以快速而准确地发现网络中的关键节点,本文在权威排名的基础之上,增加相应的度量规则并引入作者节点在论文中的贡献度概念来进行节点的重要性度量,在有机组合度量规则之后提出文本的节点重要性度量模型-多路径迭代度量模型(MPIMM),通过实验与多种算法进行对比分析,最后,得出本文度量模型具有良好的度量性能。社区发现(Community Detection)也是研究网络的维度之一,通过良好的社区划分方法来找到较优的划分结果,可以应用到多个方面,本文在经典标签传播算法的基础之上引入基于元路径计算的相似度来进行优化,提出本文的社区划分算法-基于元路径计算相似性的标签传播算法(PathLPA),并将本文算法应用到DBLP学术文献异构信息网络中来对作者节点进行社区划分,并取得良好的社区划分结果。