大数据时代,数据量快速增长,数据形式千变万化。异构信息网络作为常见的数据形式之一,出现在生活的方方面面,如:点评信息网络、文献信息网络、电影信息网络等。异构信息网络规模大且结构复杂,包含了丰富的信息,如何对其进行表示是挖掘其潜在价值的关键。近年来,异构信息网络表示学习成为了研究热点,其目标在于用低维、稠密且蕴含丰富异质信息的实值向量表示异构信息网络中的节点,并将得到的节点表示向量应用于后续的数据挖掘任务,以挖掘出异构信息网络中的潜在价值。迄今为止,研究学者提出了很多异构信息网络表示学习方法,这些方法推进了异构信息网络表示学习的发展,但这些方法依旧存在不足之处。本文对现有异构信息网络表示学方法存在的不足进行分析研究,主要工作如下:现有基于生成对抗网络(Generative Adversarial Network,GAN)的异构信息网络表示学习方法未考虑保留异构信息网络的二阶语义信息,获得的节点表示向量包含信息不足,从而导致下游数据挖掘任务效果欠佳。针对此问题,本文研究了一种融合二阶语义信息的异构信息网络表示学习方法。方法设计了一个GAN模型,GAN模型的生成模型尽可能生成接近真实采样元路径的伪元路径,而其判别模型则尽可能判别输入数据是真元路径或伪元路径,通过生成模型与判别模型博弈,最终获得同时包含一阶、二阶语义信息的节点表示向量。在DBLP和Aminer两个真实数据集上的实验结果表明,本文方法在节点分类和链接预测两个数据挖掘任务上的效果均有提升。现有异构信息网络表示学习方法致力于保留异构信息网络的语义信息,缺乏对其节点分布信息的保留,获得的节点表示向量缺失了节点分布信息,从而导致下游数据挖掘任务效果欠佳。针对此问题,本文研究了一种融合节点分布信息的异构信息网络表示学习方法。方法设计了一个新的GAN模型,GAN模型的生成模型生成保留了语义信息且接近先验分布矩阵的伪矩阵,判别模型则尽可能判别输入数据是生成的伪矩阵还是采样的先验分布矩阵。通过生成模型与判别模型博弈,最终获得同时保留多阶语义信息及节点分布信息的节点表示向量。在多个真实数据集上的实验结果表明,通过将节点分布信息引入异构信息网络表示学习,异构信息网络表示学习效果得到了一定提升。