网络表示学习是通过机器学习方法将高维稀疏数据转换为低维稠密数据,现有的工作主要集中在静态网络和动态同质网络。然而绝大部分网络属于动态异质网络。随着时间推移,网络中节点和边的增加或删除会导致网络的拓扑结构和语义发生变化。目前,大多数动态异质网络表示学习方法使用快照对动态异质网络定义,其前提是需要确保相邻两个时刻的子网络的平滑演化。但是,在一些真实网络中,子网络的节点和边存在巨大差异,基于快照的划分方式将导致空间子图之间的相关性变低。针对上述问题,本文提出了基于时间属性值的动态异质网络表示学习方法。首先将时间作为边属性值保留在网络中,然后从网络演化规律出发,利用元路径和带注意力机制的双向门控循环单元来学习网络语义信息和动态性。考虑到上述方法利用元路径不能完全提取网络中语义信息,并忽视了网络演化的驱动力,本文又从网络动力学角度出发,利用霍克斯点过程和三元闭合过程来模拟网络演化,利用多粒度思想来学习网络异质性。主要研究内容如下:（1）提出了一种基于元路径的动态异质网络表示学习方法。首先,将节点的邻域结构按照时间划分出不同的子空间结构,并为每个节点采样出所有时间加权元路径的序列,再通过门控循环单元将节点的全部时间加权元路径序列上的邻域信息进行集成,最后利用带注意力机制的双向门控循环单元对融合后的节点序列进行时空上下文信息学习,获得每个节点的最终表示向量。（2）提出了一种结合霍克斯点过程的动态异质网络表示学习方法。将动态异质网络中的边抽象为事件,利用霍克斯点过程去模拟历史事件对现在事件发生的自激发作用,并且融合了三元闭合过程,很好地模拟了外部结构事件对事件发生的外激发作用。利用多粒度思想来融合事件邻域结构作用,捕获了网络的异质性。通过在真实数据集上的实验表明,在节点分类,聚类等下游任务测试中均有较大提高,尤其在聚类任务上,ARI值提高了3.2%～14.49%。同时验证了本文模型能够有效捕获网络动态演化规律,以及元路径类型和数量对网络性能的影响。