科学研究在中国建设成为世界科技强国的道路上扮演着关键角色，新一轮科技革命的蓬勃兴起让学科交叉融合更加紧密，科学研究合作的需求也更加强烈。合著关系作为科学研究合作的重要体现，所带来的核心或关键技术不仅能助力国家发展及社会生活水平的提高，还有助于中国在全球范围内科技竞争力水平的提升。本文基于图神经网络主要从节点和关系这两个角度对合著关系进行分析，挖掘学术异构信息网络中潜在的合著关系的可能性。本文的研究内容如下。
　　首先，本文利用学术信息网络的异构性和语义信息的丰富性，面向网络节点提出一种基于层次注意机制的图注意神经网络节点分类模型，包括节点层注意机制和语义层注意机制。其中节点层注意旨在了解节点及其基于元路径的邻居之间的重要性，而语义层注意机制则旨在了解不同元路径之间的重要性。通过学习节点特征和语义特征的重要性，充分考虑节点和元路径的重要性，并对基于元路径的邻居特征进行分层聚合，生成节点嵌入，从而实现对节点分类处理目的。
　　然后，本文针对启发式相似性度量函数预定义的限制和高阶特征学习高消耗的问题，面向网络关系将衰减理论和启发式算法相结合，提出一种新的基于衰减启发式理论的链接预测算法，把链接预测中高阶启发式相似度量方法统一。并通过提取每个目标链接周围的局部子图，学习将子图模式映射到链接存在性的函数，从而自动学习适合当前网络的启发式。同时，结合图神经网络的方法，构建一种使用图神经网络从局部子图学习启发式的模型。
　　最后，本文在DBLP公开数据集上构建一个真实的学术异构信息网络，并对前面所提出两种合著关系预测模型及相关算法进行实验验证。通过实验验证算法的有效性。