Heterogeneous Information Network 传统的同构图（Homogeneous Graph）中只存在一种类型的节点和边，当图中的节点和边存在多种类型和各种复杂的关系时，再采用Homo的处理方式就不太可行了。这个时候不同类型的节点具有不同的特征，其特征可能落在不同的特征空间中，如果仍然共享网络参数、同样维度的特征空间，又或者尝试将异构图映射到同构图中，根本无法学习到“异构”的关键，即无法探索到不同节点之间，监督标签之间的联系，而这又是十分重要的。 如上图著名的异构例子，学术网络图，它包含“论文”paper、“作者”author、“会议”venue和“机构”org等节点类

实际系统往往由大量类型各异、彼此交互的组件构成.当前大多数工作将其建模为同质信息网络,并未对网络中不同类型的对象及链接加以区分.近年来,越来越多的研究者将这些互联数据建模为由不同类型节点和边构成的异质信息网络,并利用网络中全面的结构信息和丰富的语义信息进行更精准的知识发现.随着大数据时代的到来,异质信息网络自然融合异构多源数据的优势使其成为解决大数据多样性的重要途径.因此,异质信息网络分析迅速成为数据挖掘研究和产业应用的热点.本文对异质信息网络分析与应用进行了全面综述.除介绍异质信息网络领域的基本概念外,重点聚焦基于元路径的数据挖掘方法、异质信息网络的表示学习技术和实际应用三个方面的最新研究进

表征学习为各种人工智能领域提供了一种革命性的学习范式。在本次调查中，我们研究和回顾了表征学习的问题，重点是由不同类型的顶点和关系组成的异构网络。这个问题的目标是自动将输入异构网络中的对象（最常见的是顶点）投影到潜在的嵌入空间中，这样网络的结构和关系属性都可以被编码和保留。然后可以将嵌入（表示）用作机器学习算法的特征，以解决相应的网络任务。为了学习表达性嵌入，当前的研究进展可以分为两大类：浅层嵌入学习和图神经网络。在对现有文献进行彻底审查后，我们确定了几个尚未解决的关键挑战，并讨论了未来的方向。最后，我们构建了异构图基准以促进对这个快速发展的主题的开放研究。