互联网技术使得学术论文的传播和获取更加便捷,但同时也带来了信息过载,让科研工作者难以在海量的期刊论文中有效挖掘出所需信息。因此借助人工智能技术进行文献挖掘与分析逐渐成为研究的热点。现有的论文推荐、期刊推荐等方法大多是利用论文的摘要、期刊名等某一种特征信息,往往忽略了论文、期刊和作者的之间丰富的关系,导致推荐的结果差强人意。基于此,本文把论文、期刊和作者的关系抽象成一个异质的网络结构,即刊文网络,然后使用网络相关的方法进行研究,以挖掘出更多的信息。近年来研究者们提出了很多网络研究方法,其中图嵌入方法获得了很多关注,其主要思想是将网络中的所有节点一一映射到向量空间里,同时保留节点之间的结构关系。这种图嵌入技术可以分为三类:基于矩阵分解的思想、基于随机游走的思想和基于深度学习的思想。早期这些方法大多是基于同质图,即只包含一种类型节点的网络。而刊文网络这类异质信息网络比同质图蕴含更复杂的节点类型、连边类型等结构信息和语义信息,不能直接应用同质图中的方法。并且对于刊文网络来说,矩阵分解的方法难以应对网络节点数量庞大的情况,随机游走的方法难以捕获不同类型节点的交互关系,而直接使用深度学习中的很多方法会忽略节点的类型信息。基于上述内容,本文提出了一个针对刊文网络的节点表示模型,以更好地实现在期刊推荐等多项下游任务。具体而言,本文所做的工作可以分为两部分内容:1.构建了基于图自编码器刊文网络的节点表示模型HGAE首先,从Pubmed公开的所有论文数据集中筛选和抽取了一部分数据,构建了一个生物医学相关的刊文网络。接着,针对所构建的刊文网络,提出了一个基于异构图自编码器的刊文网络节点表示模型HGAE。在HGAE中,通过将异构网络分解成不同的子网后编码,再将不同子图特征进行整合并进行解码,最大化地利用了网络中蕴藏的不同语义信息,从而得到刊文网络的节点表示。最后将提出的HGAE方法在公开的Aminer数据集和Pubmed数据集上训练,并得到两个网络的节点表示。将节点表示进行可视化后发现,作者、期刊、论文三种类型的节点嵌入均具有较好的聚类效果。2.HGAE节点表示模型结果在多项下游任务中的应用为了进一步研究HGAE模型所得到的节点表示的适用性,将其应用于合作作者预测、引文预测、期刊推荐、作者节点分类等多项下游任务中,并与GAT、Graph SAGE等5种最新网络学习方法进行了对比。实验结果验证了本文提出的HGAE方法具有较好的表现能力。在作者合作预测和引文预测两种链路预测任务上,HGAE方法在Aminer2012数据集上综合评价指标AUC值比Het Gnn方法高了2.2%—5.1%。在期刊推荐任务上F1值比Het Gnn方法高了10.1%。在分类问题上有0.9以上的准确率。另外本文也分析了子图融合方式和节点嵌入长度对结果的影响。实验发现拼接的子图融合方法表现更稳定,并且随着嵌入维度的增大,预测效果开始时会相应提高,但是达到一定程度后进一步增加嵌入维度反而会削弱算法性能。总结起来,本文的主要工作是针对异构的刊文网络,构建了基于图自编码器的节点表示模型HGAE,并在合作作者预测、引文预测、期刊推荐、作者节点分类等多项下游任务中充分展现了良好的表现能力。