链路预测是异构图数据分析领域中重要的任务之一,可被广泛地应用在许多实际场景中。目前很多对异构信息网络链路预测模型的研究没有考虑到不同类型的节点和边对目标节点产生不均等的影响,并且在时间维度上没有考虑到语义特征和拓扑结构的演化对目标节点的影响,会造成链路预测效果的准确率低以及时间复杂度过高的现象。针对以上问题,本文通过研究提出了一种基于图注意力机制的异构信息网络链路预测模型,并对该模型进行改进优化,同时提出了面向动态异构信息网络的链路预测模型,解决异构信息网络中目标节点存在大量近邻情况下如何选取关键特征进行聚合的问题。本文的主要工作如下:第一,提出了基于图注意力机制的异构信息网络链路预测模型。该模型通过对目标节点进行元路径内聚合及元路径间聚合,分别使用图注意力机制进行加权分配,并通过元路径邻接矩阵生成的向量强化目标节点特征嵌入中网络拓扑结构的信息。利用公开数据集和开源社区领域的数据集对模型的链路预测效果进行了验证。第二,提出了基于自适应异构信息的改进优化模型。针对元路径的人工选择对目标节点嵌入的不利影响,以及忽略同一节点间可能存在多条不同类型链接这两方面问题,模型通过修正注意力机制的计算目标,即对目标节点的一阶元路径近邻根据不同节点类型和边类型分别计算多头注意力矩阵,自适应地选取重要的邻域节点和边进行特征聚合。相对于前文提出的基础模型和其他学者的工作,优化后的模型的预测效果指标提升了1.86%-5.37%。第三,提出了面向动态异构信息网络的链路预测模型。模型从时间维度上考虑节点的语义特征及网络拓扑结构特征的演化,通过图卷积层、长短期记忆层和时序注意力层聚合目标节点在邻域、拓扑结构和时间维度这三个方面上的特征嵌入。实验证明,该模型相对于基础模型和其他基于动态异构信息网络的模型预测效果指标分别提升4.28%和0.88%-1.28%。以上三个主要工作利用注意力机制,分别从元路径、节点和边的类别以及时间维度对目标节点特征聚合过程中的不同影响因素加权分配。实验证明本文提出的相关模型在异构信息网络的链路预测任务中具有良好的性能。