随着信息技术的发展和智能设备的普及,数字图像,文本,音频,语音等多模态的异构数据已经成为信息的主要形式,正在改变着人们的生活和工作方式。异构图是连接多模态数据之间关系的重要表示形式,如何挖掘、分析异构图之间的关联,已经成了跨媒体和数据挖掘领域重要的研究方向。本文以异构图数据为研究对象,针对推荐系统,跨域链接预测和图文匹配等异构关系挖掘问题开展了深入的研究,论文取得的主要成果包括:1.针对推荐问题,在用户-物品异构图上,本文提出了一种基于图嵌入的矩阵分解模型(Graph Embedding based Matrix Factorization Model,GEMFM)。GEMFM通过联合优化自编码器模型和矩阵分解模型,使用自编码器中的非线性隐藏层来优化原始矩阵分解模型中的线性隐藏层表示,提高了模型的非线性表达能力。实验结果验证了 GEMFM算法的有效性;2.为解决跨域链接预测问题,本文提出了一种多阶段的跨域链接预测模型(Multi-Stage Cross-Domain Link Prediction Model,MCLPM)。在召回模型中,基于时序的统计特性,利用快速近邻搜索方法进行子集筛选,生成候选子集。在此基础上,在匹配模型中,提出了一种基于主动学习的采样方法,通过学习“难”样例,生成更鲁棒的决策面。实验结果证明了该算法针对跨域链接预测问题的有效性;3.对于图文匹配问题,利用图像和文本的异构关系,本文提出了一种深度图文匹配模型(Deep Image-Document Matching Model,DIDM)。利用卷积神经网络和词向量分别生成图像和文本表示。在此基础上,为建立图像表示和文本表示在同构语义空间中的精确匹配,引入三元组损失,从而实现跨媒体图文匹配。在大规模数据集上验证了 DIDM模型的有效性。