近年來，網(wǎng)絡(luò)表示學(xué)習(xí)（ Network Representation Learning，NRL）作為一種在低維空間中表示節(jié)點來分析異質(zhì)信息網(wǎng)絡(luò)（ Heterogeneous Information Networks，HIN）的有效方法受到越來越多的關(guān)注?；陔S機(jī)游走的方法是目前網(wǎng)絡(luò)表示學(xué)常用的方法，然而這些方法大多基于淺層神經(jīng)網(wǎng)絡(luò)，難以捕獲異質(zhì)網(wǎng)絡(luò)結(jié)構(gòu)信息。圖卷積神經(jīng)網(wǎng)絡(luò)（ Gragh Convolutional Network，GCN）是一種流行的能對圖進(jìn)行深度學(xué)習(xí)的方法，能夠更好地利用網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，但目前的GCN設(shè)計針對的是同質(zhì)信息網(wǎng)絡(luò)，忽略了網(wǎng)絡(luò)中豐富的語義信息。為了有效地挖掘異質(zhì)信息網(wǎng)絡(luò)中的語義信息和高度非線性的網(wǎng)絡(luò)結(jié)構(gòu)信息，進(jìn)而提高網(wǎng)絡(luò)表示的效果，文中提出了一種基于融合元路徑的圖卷積異質(zhì)網(wǎng)絡(luò)表示學(xué)習(xí)算法（MG2vec）。該算法首先通過基于元路徑的關(guān)聯(lián)度量方法來獲取異質(zhì)信息網(wǎng)絡(luò)中豐富的語義信息;然后采用圖卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行深度學(xué)習(xí)，捕捉節(jié)點和鄰居節(jié)點的特征，彌補(bǔ)淺層模型捕捉網(wǎng)絡(luò)結(jié)構(gòu)信息能力不足的缺陷，從而實現(xiàn)將豐富的語義信息和結(jié)構(gòu)信息更好地融入低維的節(jié)點表示中。在數(shù)據(jù)集DBLP和IMDB上分別進(jìn)行實驗，相比 Deep walk，node2vec和 Metapath2vec算法，所提MG2vec算法在多標(biāo)簽分類任務(wù)上的分類精確率更高且性能更優(yōu)，精確率和 Macro-f1值分別達(dá)到了94.49%和94.16%，且與 Deep walk相比分別最高提升了26.05%和28.73%。實驗結(jié)果證明，MG2vec算法的性能優(yōu)于經(jīng)典的網(wǎng)絡(luò)表示學(xué)習(xí)算法，具有更妤的異質(zhì)信息網(wǎng)絡(luò)表示效果。