在不同信息化对象构成的复杂网络中,各网络对象的交互也呈现出多样性,这样由多类型的节点和关系构成的复杂网络称为异质网。在很多问题背景下,它能更加真实,有效的反映现实世界丰富多样的信息。而异质网中因节点类型不同,对信息更新和扩散产生的影响也各不相同,所以对异质网节点分类进行研究具有重要意义。现有的网络节点分类研究主要是基于先验知识定义的元路径进行分类,每条元路径是一个确定的节点序列;由于异质网中网络节点和链接的类型不同,这样的差异在元路经中往往无法体现,使得现有节点分类方法在异质网中并不适用。因此基于异质网的异质性,本文提出利用节点间的链接关系为特征的异质网节点分类方法。首先利用网络表征学习来获取异质网中节点关系的特征;然后基于得到的节点特征来训练和测试分类模型;最后实现异质网节点分类；文本的主要工作包括以下四点:(1)异质网数据预处理。本文首先按照节点对的形式对数据节点进行定制化处理；然后基于异质网数据的特性采用随机游走的方法来获取节点数据。(2)节点的网络表征学习。首先,在输入层,基于获取的节点数据,通过预处理得到相应的数据:然后,在隐藏层,通过构建神经网络对节点的关系特征进行学习；最后,在输出层将得到的节点特征通过向量输出。(3)异质网节点分类。基于得到的节点特征向量,将其作为分类的数据集；然后通过LightGBM分类模型进行训练和分类;并与其他分类方法进行评估比较;验证本文方法的有效性。(4)本文基于真实数据进行实验,验证了网络表征学习和LightGBM分类模型两种方法的结合对异质网节点分类的效果。实验结果表明两者的结合有助于异质网节点分类精度的提高。