异构社交网络是一种包含不同类型的节点和边的社交网络,它不同于传统的同构社交网络的地方在于它包含着许多的语义信息。异构社交网络上的链接预测是指根据异构社交网络所提供的拓扑信息和语义信息来预测两个节点之间形成边的可能性。元路径是一个以节点为端点、节点和边交替出现的序列,它是异构社交网络中常用的拓扑信息和语义信息提取工具。因此,本文的研究重点是探究如何更加高效地使用元路径来提取和利用异构社交网络中的拓扑信息和语义信息,然后将它们用于链接的预测。近几年的研究提出了许多基于元路径对异构社交网络进行链接预测的方法,虽然它们利用了异构社交网络中的拓扑信息和语义信息,并在链接预测任务上都取得了较好的性能表现,但是它们仍旧存在着一些不足之处,这些不足之处导致它们的性能表现仍有待进一步提高。例如,它们仅使用单条元路径而导致了其对异构社交网络中语义信息的利用不够充分。同时,这些方法都聚焦于在节点层面利用元路径提取特征,而没有在边的层面利用元路径提取特征,这使得它们所提取的特征无法很好地适用于链接预测这一与边紧密相关的任务。另外,这些方法都仅考虑对单个社交网络内部信息的利用,这使得它们无法在稀疏网络中取得很好的性能表现。为了解决现有工作中存在的不足并提高异构社交网络中链接预测的性能,本文的主要工作有:1)针对现有方法仅利用单条元路径而导致对异构社交网络的拓扑信息和语义信息利用不充分的问题,本文提出一种基于语义子图和图注意力机制的解决方法。该方法分别基于不同的元路径来构造不同的语义子图以提取异构社交网络中不同的拓扑信息和语义信息。该方法还利用子图内注意力机制来学习语义子图中不同节点的权重,并使用语义子图间注意力机制来学习不同语义子图的权重。2)针对现有方法只在节点层面利用元路径来提取特征而导致这些特征无法很好地适用于链接预测任务的问题,本文的解决方法使用一种基于元路径的语义流通量概念以从边的层面利用元路径提取特征。该方法通过计算语义流通量获取与边紧密相关的特征,并基于不同的元路径计算与不同语义相关的特征。3)针对许多现有研究仅利用单个网络内部的拓扑信息和语义信息导致无法解决网络稀疏性的问题,本文提出基于跨网络元路径的解决方法。该方法利用基于锚链接的跨网络元路径从源网络中传递信息到目标网络以弥补目标网络中信息不足的问题,它通过这些额外的辅助信息提高链接预测的性能。同时它还利用信息增益比对基于元路径提取的特征进行选择,以避免误导信息的使用而影响链接预测的性能,此外它还使用一种基于AUC（Area Under ROC Curve）优化的方法来解决链接预测的PU学习问题（Positive and Unlabled instance learning problem）。