近年来,网络表示学习作为一种在低维空间中表示节点来分析异质信息网络的有效方法受到越来越多的关注。基于随机游走的方法和基于元路径的方法是目前网络表示学习常用的方法,然而这些方法大都基于浅层神经网络,难以捕获异质信息网络结构信息。图卷积神经网络(GCN)是一种流行的能对图进行深度学习的方法,能够更好地利用网络拓扑结构,但目前的GCN设计针对的是同质信息网络,忽略了网络中丰富的语义信息。为了有效地挖掘异质信息网络中的语义信息和高度非线性的网络结构信息,进而提高网络表示的效果,文中提出了一种基于融合元路径的图卷积异质网络表示学习算法MG2vec,并基于此算法,设计并实现了一个基于B/S架构的论文作者分类查询系统。主要工作和创新性包括以下几方面:(1)针对图卷积网络忽略异质信息网络中丰富语义信息问题,首先对异质信息网络中的元路径进行处理,然后基于不同的元路径对其链接的目标对象进行关联度量,通过计算所有目标对象之间的关联性构建包含语义信息的关联矩阵。(2)针对浅层模型不能有效捕获异质网络结构信息和图卷积网络无法直接应用到异质信息网络中的问题,本文提出了MG2vec算法。该算法首先基于元路径对其链接的网络目标对象进行关联度量构建目标对象的关联矩阵。然后对图卷积网络模型进行改进,引入包含关联矩阵的卷积算子。最后在图卷积网络中利用传播规则对卷积算子进行卷积操作,捕捉节点和邻居节点的特征,弥补浅层模型捕捉到的网络结构不足的缺陷,实现语义信息和结构信息的融合表示学习。(3)设计实现了多标签分类实验和可视化实验。实验结果表明MG2vec算法大幅度提高了多标签分类实验中的分类准确率,与传统网络表示学习算法相比,MG2vec算法在DBLP数据集和IMDB数据集上分类准确率分别最高提升了26.99%和17.77%;并且显著提升了可视化表现,不同类型节点间的边界最清晰,且同类型节点的聚集也更加紧密。这充分验证了MG2vec算法学习的低维表征能够有效的融合语义信息和网络结构信息,具有更好的异质网络表示效果。(4)根据设计的改进算法,从需求分析、架构设计、功能模块设计、数据库设计方面设计并实现了一个基于B/S架构的论文作者分类查询系统。从而将基于融合元路径的图卷积异质网络表示学习算法应用到分类系统中,验证算法的可用性和系统的实用性。