作为对现实世界建模的一种重要工具,图结构数据广泛存在。而对于图结构数据的表征学习受到了很多领域的广泛关注。然而,无论是传统的基于矩阵分解的图算法还是基于深度学习的图神经网络,通常将关注点都集中在同质网络,即只含有一种类型节点和一种类型连接的网络。然而在真实场景中,互联的节点通常属于多种类型,且连接关系也因所连节点类型的不同而不同,这就是所谓的异构信息网络。相比于同质信息网络,异质信息网络蕴含更加丰富的信息。对异质信息网络的研究成为网络科学和数据挖掘领域中重要的分支,且成果被广泛用于推荐系统等实际问题中。图神经网络作为利用深度学习的强大的表示能力处理非规整图数据的有效工具具有坚实的理论基础和卓越的性能。通常,图神经网络在同质信息网络上的半监督节点分类任务中表现突出。一方面,如何无监督地训练图神经网络是该领域的重要研究课题。另一方面,如何将图神经网络扩展到高效处理异质信息网络也是提升图神经网络实际应用价值的重要问题。基于此,本学位论文主要研究无监督条件下利用图神经网络对异质信息网络进行表征学习,主要分为以下两个方面:首先、从理论层面提出元路径之间的共识性假设。近年来涌现出的大量基于深度学习的异质信息网络算法,通过假设不同的元路径所诱导的同质信息网络之间是互补关系,将图神经网络算法从同质信息网络拓展到异质信息网络。然而,这个普遍被接受的假设是值得商榷的。一方面,这些诱导得到的同质信息网络之间共享节点本身的所有属性。另一方,图神经网络的本质是对网络中节点属性进行传播和平滑。因此,不同的元路径代表了不同的属性传播路径。从而,基于互补性假设将不同元路径所得到的节点表征组合起来,实际等价于让异质信息网络退化为同质网络进行处理。基于此,本文提出了共识性假设,即节点在多个同质信息网络所共享的属性才是最为本质的,而在每个同质网络所特有的信息则较大概率是噪音。其次,在模型层面提出异质图信息瓶颈算法。本文利用自监督学习策略,将监督学习领域的信息瓶颈理论拓展到异质图表征学习问题中,提出了基于图神经网络的自监督异质信息网络表示学习算法SSH-GNN。具体地,SSH-GNN同时最大化两个同质信息网络所学得的节点表征之间的互信息,并且同时分别最小化两个同质信息网络中所特有的信息及其所学的节点表征之间的互信息。实验部分将SSH-GNN应用于现实应用的网络数据中,在以F1分数为标准衡量节点分类任务的结果,以ARI和NMI为标准衡量节点聚类任务的结果。通过大量的实验在各方面证明,SSH-GNN在节点分类与节点聚类任务方面显著优于当前主流的基于互补性假设的大多数半监督网络表征学习方法。总之,本学位论文在理论层面提出的共识性假设及在模型层面基于共识性假设设计的异质图信息瓶颈算法有效的解决了无监督条件下利用图神经网络对异质信息网络进行表征学习问题。