社区发现是将网络中的节点通过某种划分方法化分成多个社区。研究早期,研究者将现实中的网络抽象为同质信息网络,即节点和边都是同一类型的网络,并提出许多传统同质信息网络社区发现方法。但现实世界中的网络多为异质信息网络,即节点和边为多种类型的网络。同质信息网络社区发现方法适用于异质信息网络,但社区划分准确率较低。研究者发现,现实世界中的社区大多是重叠社区,因此在异质信息网络进行重叠社区发现不仅可以利用丰富的语义信息还可以使社区发现结果更具有真实性。传统社区发现方法大多只根据节点的结构信息或者节点的属性信息划分社区。研究者发现,图神经网络（Graph Neural Networks,GNN）可以将网络的结构信息和节点属性信息结合,同时进行学习,传统的图神经网络在同质信息网络社区发现问题表现较好,但不能利用异质信息网络不同节点类型和边类型的特点,不能较好利用异质网络的语义信息。本文基于图神经网络并且根据异质信息网络的特点,提出基于异质图注意力网络的重叠社区发现方法,其中贡献有以下几点:1、为了充分结合异质信息网络结构信息和属性信息,首先需要构建异质信息网络的特征表示。传统图神经网络只适用于同质信息网络,将同质信息网络节点的结构信息与属性信息结合进行特征的表示学习,并将生成的低维特征空间表示用于下游数据分析。为了利用异质信息网络不同类型节点的特点,首先将异质信息网络节点的结构信息根据指定元路径构建节点矩阵表示,然后将不同元路径的结构信息和与属性信息结合构建异质信息网络的节点特征表示;2、为了充分挖掘异质信息网络,采用改进的异质图注意力网络进行节点特征提取。异质图注意力网络是将图神经网络与注意力机制结合,通过节点级注意力机制获得基于元路径邻居节点的权重信息,通过语义级注意力机制得到不同元路径的权重信息,并将所有权重信息进行融合得到新的节点特征向量,充分挖掘异质网络中不同的语义信息。本文改进异质图注意力网络中语义级注意力机制的激活函数,解决梯度消失问题,并将节点特征向量与后续生成的社区隶属矩阵一同学习。3、为了进行重叠社区发现,将异质图注意力网络与图卷积神经网络结合并基于伯努利-泊松模型统一重构损失。将异质图注意力网络生成的节点特征向量通过图卷积神经网络生成社区隶属矩阵,并将可优化重叠社区的伯努利-泊松模型的负对数似然函数作为损失函数统一优化节点特征向量和社区重叠度,使伯努利-泊松模型可用于异质信息网络重叠社区发现,并通过社区划分的阈值得到最终社区划分结果。本文选取了2个真实异质信息网络数据集DBLP和IMDB和2个同质网络数据集F1、F2,并与传统社区发现算法SLPA,改进的异质网络重叠社区发现算法NELPA和其他基于图神经网络的图卷积神经网络、图注意力网络、异质图注意力网络、NOCD算法进行对比实验,并使用改进的扩展模块度EQ*值作为异质信息网络重叠社区发现的度量指标,EQ作为同质网络社区发现评价指标。实验结果表明,本文提出的模型相比传统社区发现算法和基于图神经网络的算法都有一定程度的提升。并且分析经过训练得到的元路径权重信息,可表明基于改进的异质图注意力网络得到的元路径权重信息符合现实世界对语义信息的理解。