真实世界的数据通常与图形结构结合在一起,比如社交网络。这样具有异质性的网络,我们称之为异质信息网络。相似性度量是异质信息网络中的一种基础任务,已经被人们广泛研究,常用于信息检索、推荐等。考虑到当前普遍的相似性度量算法,不管是基于元路径或是元图计算,都存在一些问题。即计算目标节点相似度时,没有考虑到,不同的邻居节点对于目标节点的重要性应该是不同的。同样的,在捕获关系语义时,一个目标节点的不同元路径,它的重要性也是不同的。因此怎么捕获网络中节点、元路径的重要程度,并且将重要程度的信息用于相似性度量中,成为准确测量对象间的相似度的一个重要步骤。由于相似性度量在包括推荐在内的许多应用中都是一个基本功能,所以用户对目标节点的看法也是一个重要的影响因素。因此度量节点之间的相似性时,除了考虑语义信息,还要考虑网络中节点自身的属性信息,来达到更为确切的准确性。本文根据现有的相似性搜索方法存在的上述问题展开研究,具体研究如下:（1）针对现有的相似性搜索算法没有考虑不同节点、元路径其重要性不同的问题,提出一种基于层次注意的相似度度量算法HAtt Sim来捕获不同节点、元路径的重要程度,该算法首先将元路径中不同类型的节点投影到同一个特征空间,利用自注意力机制计算邻居节点对目标节点的权重系数,生成节点级嵌入,并通过非线性函数转换为新的节点级嵌入,将转换后的节点级嵌入和语义级注意向量的乘积通过softmax函数得到每条元路径的权值,同时融合语义级注意力,生成最终的节点向量来计算对象节点之间的相似性值。实验结果表明,和5种对比算法相比,本文提出的HAtt Sim算法在分类、聚类任务上的性能最好,且相似性搜索的结果更加精准。（2）针对上述算法只用到网络中的语义信息,没有考虑对象本身属性信息的问题,提出一种融合了外部属性信息与层次注意的相似度度量算法HAtt Sim Ext。该算法在HAtt Sim的基础上,引入了属性信息,即在得到目标节点在层次注意下的节点向量后,将目标节点的属性信息投影到该节点的特征空间,并利用self-attention来学习目标节点的各个属性与目标节点之间的权值,聚合得到目标节点属性的向量嵌入,并将目标节点向量和属性向量进行拼接,得到最终的节点向量来计算对象节点之间的相似性值。实验结果表明,和3种对比算法相比,本文提出的HAtt Sim Ext算法在相似性排序上具有优势,并在分类、聚类任务上的性能更出色。