图嵌入是将图中的节点用低维、连续、稠密、具有相关性的向量表示,以便于后续的语义处理和推理。可以基于代数或者随机游走的方法对图进行学习实现图嵌入。近两年随着深度学习技术的发展,将深度学习引入图嵌入可以高效准确地获得嵌入向量。通过深度学习图嵌入方法,研究人员对节点和边同属一种类型的同构图、节点类型不同和节点间边类型不同的异构图进行了研究。但现实世界中还存在大量两个节点间存在多种不同类型关系的多路复用异构图情况,多路复用异构图对两节点间的关系及多种边之间的关系的研究有重要的意义。已有的多数异构图嵌入方法关注节点之间边类型的异构性,没有考虑节点间不同类型复用边;还有一些研究注意到边类型的不同,但并没有考虑不同边之间的关系。这些都导致图嵌入向量的不准确。针对已有算法中存在的问题,本论文针对异构图嵌入进行研究,提出了一种层内层间融合的多路复用异构图嵌入方法。针对节点间的多种类型边提出了一种考虑边类型的元路径游走机制。论文的工作主要分为以下三个部分:（1）提出了一种层内层间融合的多路复用异构图嵌入方法。通过在多路复用异构图中引入分层处理的思想,将不同的关系类型建模为不同的关系子图。在各子图中进行捕捉图物理结构的层内聚合,再进行跨越关系子图的层间游走,通过物理结构和逻辑语义结构的双重信息捕捉,保留了完整的异构图信息。（2）提出了考虑边类型的层间元路径游走机制。论文针对多路复用异构图的多个关系子图之间的关系提出了考虑边类型的元路径游走机制:使用带有边类型的语义信息指导游走过程,通过语义来捕捉边与边之间的相互关系,将二维的游走机制扩展到三维空间,提高了生成嵌入向量的准确性。（3）通过实验验证上述方案和算法的可行性和有效性。针对4个数据集上的200多万条数据,论文对所提方案与已有算法进行了实验,并对结果进行了分析。在对比实验和分析中验证了本文提出的层内层间融合的多路复用异构图嵌入模型和考虑边类型的层间元路径游走机制对嵌入结果在ROC、PR、F1准确率上分别具有1%-27%、1%-35%、1%-27%的性能提升。