网络通常指规模更为庞大而复杂的图,网络中包括各类具有丰富的属性特征的实体以及实体间的关联关系,异质网络是网络的一种。异质网络实体关联表示学习的核心是将网络中的节点进行有效的向量化表示,方便进行各类后续任务。对异质网络实体关联表示学习进行研究,不仅有利于异质网络信息的理解和挖掘,同时有利于促进异质网络相关应用及动态异质网络的研究。基于图神经网络,针对现有模型进行了两方面改进和创新。不依赖于对网络进行同质化处理的方法大多只考虑到节点单独的异质性,难以进一步挖掘网络异质性,通过对异质网络中的边模式建模,可以同时考虑节点和边共同作用下的网络异质性,提出基于键值对注意力的图神经网络模型KAHN,可以对异质网络进行有效表示和处理;通过对现有解决问题的思路进行归纳分析,提出了组合式图神经网络框架CAN,通过组合不同的模型,可以同时对两类网络信息进行学习,增加了模型所能利用到的网络信息量。KAHN可作为CAN的实现模型,而CAN通过对异质性的进一步利用,能提高KAHN及同类模型的网络学习能力。通过在多个数据集下进行节点分类实验和分析,展示了 KAHN更好的分类效果,验证了 KAHN模型更好的表示学习能力,说明通过研究边模式下的异质性可以提高对网络信息的挖掘。组合基础模型构建的CAN相较基础模型具有更高的节点分类准确率,验证了 CAN框架对模型的性能提升效果,可见两类信息可以进行互补,同时说明元路径下的信息增强确实可以带来网络学习能力上的提升。