异构网络表示学习,是在现实世界各类实体及其复杂关系构成的网络中,学习网络低维稠密独立的向量表示过程;该向量表示解决了大规模网络分析的高维稀疏和可扩展性差等瓶颈问题,成为当前研究热点。现有研究大多是由领域专家事先给出的元路径实现随机游走,然而随着网络节点数量的增加,元路径的选择十分困难且缺乏灵活性。本论文主要对基于随机游走异构网络表示学习进行研究,在考虑了网络的结构信息和语义信息基础上,给出比现有基于元路径的随机游走更灵活的随机游走策略;并将其进一步与动态异构网络相结合,尝试实现对动态网络的表示学习。具体研究内容如下:首先,针对基于元路径游走需要专家先验知识或预定义元路径且缺乏灵活性,JUST游走仅考虑了节点类型的数量,未考虑真实网络中节点类型间的模式关系与拓扑结构影响等问题,提出基于Type&Inner随机游走策略。其次,为了实现非元路径限定、灵活的游走,基于Type&Inner策略构建转移概率模型,通过设置参数,调节节点类型和节点的选取。为了验证游走策略正确与合理性,给出性质分析与实例展示。为了得到网络中节点向量表示,将Type&Inner游走策略与Skip-Gram结合,提出异构网络表示学习模型HNE-RWTI（Heterogeneous Net-work Embedding Based on Random Walk of Type&Inner）。再次,针对现有异构网络表示学习大多是基于静态网络研究,为了解决网络动态变化对节点表示的影响,进一步提高节点向量表示的精确性,将HNE-RWTI与LSTM结合,提出动态异构网络表示学习模型DHNE-RWTI（Dynamic Heterogeneous Network Embedding Based on Random Walk of Type&Inner）。最后,在DBLP和AMiner等数据集上进行分类和聚类任务的实验验证。采用F1-Score、Accuracy和模块度作为评价指标,通过与现有经典模型相比,参数敏感性分析等,验证本论文提出的两个模型的正确性和有效性。