随着互联网技术的不断推进和发展,网络数据规模日益扩大。数据的组织形式依据不同的应用场景具有多样性。而树形结构作为一种有效的数据组织方式,能够体现数据的层次关系,有利于层次间信息的相互补充及异构信息的融合。以传统的文本处理为例,对于一本书的处理,传统的解决方案多依据“词袋”模型,但这种方式忽略了由书自身的逻辑特征所决定的层次结构信息,而树形结构能够有效的表示数据的层次结构关系。因此,对于树形结构数据向量化表示的研究具有重要的意义。对于树形结构数据的向量化表示方法,尚未有针对性的研究。在已有的较为相关的工作中,主要是进行树形结构底层信息的低维度映射,从而实现信息的融合,但并未考虑树形结构数据的层次结构特征。因此,针对于树形结构数据,本研究考虑到树形结构数据的结构特征,逐层提取树形结构数据的各层次信息,并自底向上进行逐层的信息融合,最终获得统一结构的向量表示,进一步将形成的向量应用于分类或聚类。本研究提出一种有效的树形结构数据向量化表示框架,该框架可分为两个阶段,即树形结构的表示及层次信息的融合。而层次信息的融合作为树形结构数据向量化表示的主要阶段,根据该阶段所处理的数据差异可分为两类,即对于由同构数据形成的树形结构的向量化表示,及对于由异构数据形成的树形结构的向量化表示。对于由同构数据组织形成的树形结构,即树中子节点的信息完全继承于其父节点,本研究基于稀疏编码的原理设计了两种局部重构模型,使用孩子节点的信息对其父节点信息进行重构,从而获取隐藏在树形结构中的层次信息,增强数据的向量表示。而对于由异构数据组织形成的树形结构,即不同层次的节点所表达的信息来源于不同的域,本研究通过聚类算法对各层次节点进行聚类,即对来自于同一个域的数据进行聚类,获取各层次节点的全局信息,实现层次节点信息的位置映射。且上述层次信息融合过程自底向上,从而获得统一的向量表示。进一步地,将本研究所提出的方法应用于电子书推荐、作者推荐及图像检索中,并分别与多种算法进行了对比实验,验证了该框架的有效性。