相似性连接是很多研究问题的基础,不少实际问题也都可以归结为相似性连接。尽管近年来,越来越多的学者将注意力集中到网络数据和图数据上,如链接预测、社区检测和在线广告等,目前对于异质网络中的相似性连接却鲜有研究。特别地,已有工作都忽略了异质网络中节点和关系的类型以及由此带来的不同路径背后隐藏的不同语义信息,所以不能直接用于解决异质网络的相似性连接问题。针对异质网络的异质性特点,本文提出了一套基于路径的异质网络自相似性连接解决方案。给定一条连接路径,该方案返回目标类型中前k个最相似的节点对象对。在这一框架下,我们分别研究了精确自相似性连接和近似自相似性连接两个具体的问题。在精确自相似性连接中,我们对空间数据库最近点对查找算法PSR进行改进,提出了一种基于R*树的算法ePS-join。虽然改进有效,但由于索引结构R*树本身的局限,该算法并不能很好地处理高维时的情况。于是,为了适应异质网络的另两个特点,即高维性和海量性,我们将精确问题转化成近似问题,以在准确率和效率之间做下折中。在近似自相似性连接中,我们引入LSH为数据集建立索引,提出了基于NBLSH的aPS-join,并利用相似性度量的性质设计了一种剪枝优化策略来进一步减小候选集的大小,改进后的算法称为基于BPLSH的aPS-join。相比同质网络中的相似性连接算法LS-join,aPS-join能够结合异质网络中的语义信息。真实数据集上的实验表明,我们的算法不仅具有良好的效率,而且能保证很高的准确性。