随着物联网的快速发展,联网物品的数量及其交互不断增加。诸如IPv6和5G之类的新兴通信技术的出现,提供了足够的网络地址并提高了数据传输的效率,从而进一步加速了联网物品的增长。海量物品之间的交互和交流产生了大量在语义上多种多样的上下文感知数据。将这些数据转化为知识并且表示为机器可理解的形式将有利于提升系统的扩展性和互操作性,从而促进物联网应用程序的开发和实现物联网数据的处理与融合。然而,传统的数据表示方法如语义标注、本体和语义网是基于规则的,当应用于物联网时缺乏灵活性和自适应性。为了应对这一挑战,本文主要聚焦于语义表示的问题,这对于物联网数据的处理和融合至关重要。为了充当桥梁,我们提出了一个高层框架,即Things2Vec,该框架旨在通过图表示学习技术从物品的交互中产生潜在的语义表示。这些语义表示使各种物联网语义分析任务受益,例如物联网服务推荐和物品的自动化。在Things2Vec中,我们利用图对由物品交互生成的函数序列关系进行建模,这被称为物联网上下文图。由于这些函数序列关系在语义上是异质的,因此会导致通用的图表示学习方法无法学习完整的信息。因此,我们提出了一种带偏置的随机游走程序,该程序专门针对捕获具有不同种类型语义关系的节点的邻居。为了验证所提出的框架的有效性,我们在真实世界物联网数据集IFTTT上引导了多标签分类实验。实验结果显示基于我们提出的框架,三种通用的图表示学习方法都展示了良好的表现。更进一步,与其他对比方法相比,仅带有20%标签节点的Things2Vec框架在Micro-F1方面实现了3%~13%的提升,在Macro-F1方面实现了3%~37%的提升。这证明提出的方法可以有效地捕获物联网中上下文感知数据之间的语义关系。