随着异构网络的规模与日俱增,如何有效地对异构网络进行数据挖掘已成为一个热门的研究课题。元路径作为异构网络的基本构成要素,包含有丰富的语义。将它应用于相似性搜索、聚类等数据挖掘操作时,能够有效地利用这些语义信息,对异构网络进行分析,因而受到了研究人员的普遍重视,并提出了许多基于元路径的算法。但是这些算法在性能方面还有待改进。比如,基于元路径的相似性搜索算法涉及到大量的矩阵计算;基于元路径的聚类算法没有对元路径进行筛选,不相关路径会对聚类效果产生干扰等。针对这些问题,本文基于用户导向,提出了面向异构网络搜索和聚类的语义预测算法,以缓解上述问题。即用户在搜索或聚类的同时提供结果样例作为导向,然后以用户导向为基础预测与用户搜索或聚类相关的元路径。这样能够在算法开始阶段将不相关元路径排除,从而减少不相关路径对结果的影响。面向异构网络搜索的语义预测算法根据用户导向在图中进行路径回溯,得到与搜索相关的元路径以及对应路径上的路径实例数,并根据正则路径数对路径长度进行约束,通过机器学习方法得到对应路径上的概率,从而进行相似性计算;面向异构网络聚类的语义预测算法考虑用户导向、聚类结点和聚类类别三者之间在不同元路径上的关系,使用元路径比值来计算用户导向和聚类结点之间的关系权重,进而计算用户导向和聚类结点间的生成概率以进行聚类。实验表明,本文提出的语义预测算法不仅能够对异构网络中结点间的语义进行预测,并且在与异构网络搜索和聚类算法结合后应用于实际问题时,具有比较好的性能。