在异质网络表示学习方法中,采用元路径随机游走的方式可以有效获取不同类型节点间的语义信息,提高节点表示的质量。该类方法忽略了异质网络中自身存在的全局结构信息,从而使得学到的嵌入表示缺乏区分性。本文围绕局部结构信息与全局聚类信息相融合的方式展开研究,主要内容如下:1.异质网络表示学习方法Metapath2vec、Metapath2vec++保持了网络节点间的局部近邻结构,没有考虑异质网络自身存在的全局聚类结构,从而降低网络中节点表示的准确性。针对该问题,提出两种保持聚类结构的异质网络表示学习模型:HINSC、HINSC++。模型首先采用元路径随机游走策略获取包含节点局部近邻结构和语义信息的节点序列,将节点对应的one-hot表示作为前馈神经网络的输入。经过隐层的非线性变换,通过在目标函数中添加聚类约束信息,对异质网络中相同类型的节点进行k-means聚类,使其在输出层能够同时保持网络节点间的局部近邻结构和全局聚类结构,利用随机梯度下降算法学习异质网络节点的低维向量表示。将学到的向量表示在两个异质学术网络AMiner、DBLP数据集上进行分类和聚类实验,实验结果表明,通过HINSC、HINSC++模型训练得到的向量表示在聚类任务上NMI值提高12.46%～26.22%,在分类任务上Macro-F1、Micro-F1值提高9.32%～17.24%,进一步验证了模型的有效性。2.为了探究所提算法的实际应用价值,在不改变异质学术网络原始语义信息的前提下,提取出待预测的两种不同类型的节点以及它们之间的链接关系,重新构造异质信息网络,并根据本文提出的HINSC、HINSC++模型训练出网络中两种不同类型节点的向量表示,通过计算节点向量表示间的余弦相似度来表征节点间的相似度,从而预测网络中两种类型节点间未来存在链接的可能性。实验结果表明,HINSC、HINSC++模型在链接预测任务中的AUC值提高9.3%～20.3%,验证了本文提出的模型在异质学术网络链接预测任务上的有效性。