随着信息技术的蓬勃发展,人类社会中产生的数据量飞速增长,数据对象的类别及其相互之间的关联越来越复杂,形成了规模巨大、种类繁多的异构信息网络（Heterogeneous Information Network,HIN）,如何挖掘这些数据中包含的知识成为亟需解决的问题。因此,需要探索合理的异构信息网络表示方式,以提高存储与分析的效率。早期的方法基于网络采样的结果学习网络节点的稠密向量表示。然而,这类方法忽略了采样过程中引入的有效信息与冗余信息之间的不平衡,以及网络中心节点过度表示与网络终端节点欠采样的不平衡,导致采样的结果无法准确地反映原始网络的性质。而近期,异构信息网络表示学习领域也开始广泛探索基于图神经网络（Graph Neural Network,GNN）的模型。然而,它们大都只利用了基于网络局部结构信息,并没有尝试利用网络节点的全局分布信息。实际上,对象在低维空间中的全局分布有利于辅助深度神经网络提取更有区分性的特征。因此,有必要探索如何利用该信息指导异构GNN对节点的学习。针对异构信息网络表示学习领域中存在的上述问题,本文完成的主要工作如下:1、面对异构信息网络表示学习领域的大量相关工作,本文基于国外的综述与研究,提出了一个统一的学习范式,并基于该范式采用的技术路线,将已有工作划分为基于结构相似性的模型与基于GNN的模型;进一步地,本文将对网络数据的处理与节点表示向量的学习两部分独立开,再就各部分对应的典型方法进行归类与阐述。在该综述的基础上,本文总结了已有的方法取得的成就与现存问题,在充分介绍本领域发展路线的同时,为未来的研究指明了方向。2、针对传统基于结构相似性的异构信息网络表示学习方法中的采样不平衡问题,本文提出了一种基于网络粗粒化与异构随机游走的模型Coar SAS2hvec。Coar SAS2hvec首先通过短距离的异构随机游走采样各节点局部上下文信息,通过跳过初始游走节点,避免自点对（self-loops）引起的信息冗余。在此基础上,Coar SAS2hvec利用节点度分布,平衡各节点的游走次数,充分采样不同结构分布下的节点上下文信息。在每一轮采样结束后,Coar SAS2hvec会对网络进行一次粗粒化,去除一部分在游走上下文中被过多表示的节点,从而保持网络中心节点和终端节点在游走上下文中的平衡。进一步地,本文在传统网络表示学习的损失函数中引入了一个类型指导矩阵,从而使学习到的节点低维向量中能够包含异构关系信息。实验结果表明,相较于对比方法,Coar SAS2hvec学习到的节点表示在下游任务上能够取得更好的效果。进一步的分析表明,Coar SAS2hvec采样到的结果具备更高的信息熵,且在传统的损失函数引导下也能学习到比对比方法更优的结果,充分说明了采样不平衡问题的重要性以及Coar SAS2hvec的有效性。3、尽管Coar SAS2hvec解决了异构信息网络的采样不平衡问题,然而该方法主要应用于传统的采样-表示-分析三步走场景,无法解决当下流行的端到端学习范式中异构GNN缺乏节点全局分布信息作为指导的问题。因此,本文提出了一个基于信息编码率压缩的正则化方法（CRC-Reg）。CRC-Reg将模型每一次训练的输出结果作为网络节点在概率空间中的全局分布信息。通过压缩输出结果的编码率（Coding Rate,CR）,CRC-Reg能够使相似的节点在概率空间中分布得更为紧密,从而提高分类效果。在此基础上,由于CRC-Reg并没有要求自监督信息的原始输入形式,因此可以进一步推广至更泛化的分类场景。在异构信息网络场景下的节点分类实验结果验证了CRC-Reg对已有异构GNN模型的效果提升。而在同构信息网络节点分类与图像分类场景下的实验中,常用的GNN及深度神经网络模型在加载了CRC-Reg后,分类效果都得到了提升,进一步表明了CRC-Reg广泛的适用性。