网络由物体和物体之间的联系构成,在人们的日常生活中这样的网络随处可见,例如社交网络、公路网络、生物网络、万维网、语言网络等,对这些网络进行分析具有非常实用的科研和应用价值,可以应用到如节点分类、推荐系统、链接预测、网络恢复、生物医疗等应用任务上。由于规模等问题,不便于直接对这些网络直接进行计算,由此产生了网络表示学习。网络表示学习,又名网络嵌入、图嵌入。网络表示学习将原始高维、稀疏的网络投射到一个低维、稠密的空间中,并根据相关应用任务保留一些相关的网络特性。一个好的网络表示学习算法能够保留节点在原网络中的局部特性和全局特性,传统的网络表示学习算法一般直接或者间接采用邻接矩阵等方式来进行计算,而矩阵计算的时间和空间复杂度都很高。因此传统的网络表示学习算法存在稀疏、高维、难以计算、不能表达语义等问题。怎么有效的表示网络存在两个主要的挑战:大规模(网络中上百万的节点和数十亿的边);异质性(更接近现实世界的异构信息网络具有多种类型的节点和不同类型的边)。本文工作重点和创新点如下:1.本文针对异构信息网络提出一种新的传播概率矩阵计算方法。它利用了邻接矩阵和元路径。传统的网络表示学习大多针对同构信息网络,同构信息网络中节点和节点间关系为同种类型;异构信息网络中节点和节点间关系为不同种类型,节点和节点间的联系具有更多的含义,不区分这些含义直接使用同构网络中节点相似性指标显然是不合理的。所以本文提出一种新的结合邻接矩阵和元路径的传播概率矩阵的计算方法。2.本文提出一种新的异构信息网络节点相似性指标。要对网络进行表示学习涉及到如何设计节点相似性指标,本文提出的异构信息网络节点相似性指标TPM结合了传播概率矩阵和节点一阶、二阶相似性,通过实验证明本文的相似性指标在实验所用的数据集上效果优于对比的节点相似性指标。3.针对异构信息网络的特点提出一个算法HINtpm。它利用之前提出的异构信息网络节点间相似性指标,根据这个相似性指标度量异构信息网络节点间相似性,然后利用自动编码器对得到的矩阵进行降维得到最后的节点的表示,并在分类、聚类、可视化三个应用任务上进行展示,实验结果表明,本文提出的异构信息网络表示学习算法在应用任务上有不同程度的提升。