疾病基因关联预测研究能够加速各种复杂疾病的发病机理理解,同时推动治疗药物的开发。传统的研究方法有繁琐的连锁分析、全基因组分析等,其优点是结果可靠性强,但是非常耗时。随着各类生物数据的产生,采用计算方法加速疾病基因的挖掘成为可能。目前计算方法可以在弱领域知识的场景下达到较好的效果,一般通过网络结构建模研究对象之间的关系。早期一些研究通过启发式网络指标分析预测节点的关系,完全根据拓扑结构预测的方法对现有的不完整的关系数据没有很好的应对。传统网络表示学习的方法通过随机游走、矩阵分解等方式生成节点表示再用于链接预测,这类工作中提出的为网络节点学习表示的思想一直持续到现在都是主流方法,但矩阵分解对于大规模网络的较弱扩展性没有合适的解决方案,随机游走对于异构网络的处理稍显不足。基于图神经网络的方法通过元路径解决异构网络的异构性,依靠图神经网络的强大表示能力学习节点的丰富语义信息。但是现有大部分异构图神经网络模型对于元路径本身的探索比较少,只关注元路径两端的节点,造成了节点向量的提前总结。本论文针对现有模型算法所出现的“提前总结”问题进行了研究改进。考虑到元路径本身是包含多种节点和关系的抽象对象,通过对元路径提取的同构网络采用图因子分解的方式解耦出元路径隐含的多种语义信息因子图,然后通过自注意力机制聚合各个因子图中的邻居信息进行拼接生成每种元路径下的局部语义向量,最后使用多元路径语义级注意力层聚合所有元路径向量,通过该向量计算疾病基因关系对的评分进行预测。通过对比实验分析,本论文的Factor HNE模型展示的性能超过了所有对比方法,对比同类型方法MAGNN在AUC和AP指标上提升了2～3%。后续本论文针对多个元路径的多语义融合方法探索了进一步改进方案。通过基于共同分布编码的方法对多个元路径语义进行降噪得到所有元路径的共同语义信息,经过信息激发层后再与编码前向量联合进行互信息最大化操作,使得融合的信息最大化增益下游链接预测任务。经过对比实验发现本论文提出的方法在两种基础模型上分别取得了4%、1%的AUC和AP性能提升。