进入大数据时代,数据挖掘成为数据分析的重要手段。通过数据挖掘,研究者可以获得大数据里的隐含信息并加以研究和应用。但部分特定领域的数据集缺乏完善的数据标注,使得这些领域的发展受到了限制。针对这种需求,迁移学习方法应运而生。迁移学习是一种新的机器学习范式,旨在利用数据、任务、或模型之间的相似性,将在旧领域学习过的模型应用于新领域。此外,随着信息数据爆发式的增长,使用图数据能够更有效地表达实体与实体间的关系。图数据挖掘越来越得到研究者的关注,研究者可以通过网络嵌入表示获得隐含在网络节点和网络结构中的信息。虽然迁移学习在计算机视觉和自然语言处理等领域得到了良好的发展,但是在图挖掘领域上的研究还不是很充分。因此,本文将对在图数据上的迁移学习展开研究。本文研究了基于迁移学习的多源多模态网络节点分类方法,旨在解决目标网络中数据标注稀疏的问题。现有跨网络节点分类算法主要研究对象是同构网络中单源单目标的迁移任务,本文将通过网络差异评估方法,完成多个源域的迁移学习任务。此外,现有的网络嵌入算法主要针对单模态网络,本文将研究如何统一联合表示多模态信息,并提高节点分类任务的准确率。针对同构多模态跨网络节点分类问题,本文提出了一种基于深度网络嵌入的多源多模态同构跨网络节点分类算法（Multi-source Multi-modal Homogeneous Cross-network Node Classification,M~2Ho CNC）,该算法首先通过深度多模态网络嵌入模块实现对多模态特征属性的低维嵌入,然后通过动态对抗域判别器完成领域自适应,最后结合节点分类器和网络差异评估完成节点分类任务。在重构的Flickr数据集上的大量实验表明,本文所提出的M~2Ho CNC明显优于其他基线方法。针对异构多模态跨网络节点分类问题,本文提出了一种基于元路径思想的多源多模态异构跨网络节点分类算法（Multi-source Multi-modal Heterogeneous Cross-network Node Classification,M~2He CNC）,该算法首先为异构信息网络划分了通道,然后通过共享GCN模块实现网络嵌入,其次结合启发式采样算法,通过通道聚合模块拉近源域和目标域的分布距离,最后结合节点分类器和网络差异评估完成对目标网络的节点分类任务。在重构的Flickr数据集上的大量实验表明,本文所提出的M~2He CNC明显优于其他基线方法,并且在成对数据集上的效果更好。