物联网的出现及迅速发展使得各种设备及服务得以通过网络相互连接,例如web应用程序、智能设备等。而诸如5G、IPv6等通信技术的兴起再度降低了接入互联网的门槛,这使得物联网中互联设备以及服务的数量得到喷涌式增长。伴随着物联网实体的激增而来的是海量的物联网数据——物联网实体之间的交互交流产生了大量的实体交互数据以及驱动这些交互产生的人类需求。为了实现物联网数据的更细粒度地处理和充分地利用,进一步使各种物联网数据处理任务受益,例如对众多的潜在的物联网设备及服务的功能组合的服务推荐,对物联网实体进行分类。根据物联网数据的来源,我们的研究将物联网数据分为两个层次——机器层的交互上下文以及人类层的需求描述。不同物联网实体的不同功能之间的组合交互产生了交互上下文,以满足机器层上的特定功能需求。而这些基本的物联网应用往往是在人类层上用一段自然语言来描述的,即人类层的需求描述。我们的研究旨在通过利用这两层数据的相互映射和相互补充的特性来实现物联网数据的整合,这是传统方法很少关注的。然而,实现不同表现形式的两层物联网数据对我们的研究造成了挑战,同时,不同表现形式的物联网数据整合之后如何有效地对其表示也成为我们亟需解决的问题。为此,我们设计了一个新颖的面向物联网数据建模的异质信息网络表示学习系统。在该系统中,我们利用图结构分别对来自机器层的交互上下文和来自人类层的需求描述进行建模;接着以图结构为桥梁,利用两层数据之间的映射关系将两个网络整合为物联网异质信息网络（Io T Heterogeneous Information Network,Io T-HIN）;最后,我们将图表示学习技术应用到物联网异质信息网络上来获得数据整合后的向量表示。然而,物联网异质信息网络的异质性以及网络中语义的多样性使得现有的图表示学习方法无法充分地利用完整的信息。所以我们提出了一种基于多选择元路径（Multi-choice Meta-Path,Mc MP）的图表示学习方法来捕获网络节点之间更丰富的语义信息,并学习到节点的有效地向量表示。我们在一个真实的物联网数据集上进行了大量实验来我们的系统进行验证,实现结果证明了我们系统的实用性和有效性,为我们对物联网数据分层研究的合理性提供了基础。