图是数据分析的一种关键技术,能够充分建模真实系统中实体之间的复杂关联和交互行为。图表示学习旨在将高维稀疏的拓扑节点映射成低维向量表示并同时保持图中的信息,用于节点分类、链接预测和推荐系统等多种基础任务,是图数据挖掘领域的重点研究方向。当前,图建模和图表示学习主要聚焦于静态的同质图,认为实体类型单一且实体间的交互恒定不变。然而,在实际的社会媒体、电商平台以及学术网络等系统中,通常存在多种类型的实体以及实体之间多种类型的时序交互,蕴含着丰富的语义信息并呈现复杂的动态演化特征。例如,电商图数据中用户的点击、收藏和购买等多种时序交互行为反映了其购物兴趣和需求的持续变化。已有的方法大多难以充分保持图上的动态特征和异质语义,学到的节点低维表征在真实场景下的性能受限。此外,由于交互行为随着时间持续累积,图数据规模不断扩大,传统的模型面临到昂贵的计算和存储成本。因此,针对动态、异质、大规模的图数据进行表示学习建模研究,是目前亟待解决的关键问题,具有十分重要的理论价值和广阔的应用前景。本论文围绕动态异质交互图的建模和表示学习展开研究,提出动态异质交互图的概念,建模真实世界中多类型实体之间的复杂动态交互行为,并研究了边级别的异质交互事件生成、语义级别的动态语义演化、动静态特征融合的异质长短期兴趣建模以及大规模异质交互图表示学习的加速策略等关键技术。本论文主要工作与创新贡献如下:一、研究了异质交互事件生成建模,提出了一种基于异质霍克斯过程的动态异质交互图嵌入方法HPGE,用以建模图中异质结构的动态形成过程。通过将图上每种类型的动态交互看作多种历史事件持续影响的结果,该模型首先提出了一种考虑当前交互和历史交互类型的事件激励度量,继而基于霍克斯框架建模动态异质交互图的形成过程,并设计了时序采样策略,提取代表性事件加速模型的有效学习。在节点分类和多类型时序链接预测任务上的有效性实验和消融实验,验证了 HPGE显著优于最新的方法。二、研究了动态语义演化建模,提出了一种动态元路径指导的时序异质交互图神经网络模型DyMGNN,用以建模图中语义的动态变化特征。该模型首次提出了动态元路径的概念,用于时序语义搜索;并基于动态元路径采样和语义层级的异质交互演化注意力机制建模节点不同动态语义之间的相互影响,构建动态语义演化的节点表示。在三个公开数据集上的节点分类和链接预测的实验结果,验证了模型的有效性以及动态元路径和交互演化建模等核心设计的性能。三、研究了异质序列长短期兴趣融合建模,提出了一种融合短期演化特征和长期固有特征的商品推荐算法THIGE,用以同时建模图中的动、静态特征。该模型一方面考虑到用户行为序列的异质性和动态性设计了基于循环神经网络编码的短期兴趣建模,捕捉用户近期的需求;另一方面,设计了基于异质自注意力机制建模多类型交互行为中的长期兴趣,用于刻画用户自身的购物偏好和商品固有的品质特征。进一步地,THIGE提出了习惯指导的注意力机制融合长短期兴趣建模节点表示,用于商品推荐任务。在三个真实电商推荐数据集上的有效性实验和消融实验的结果,验证了模型在推荐场景下的显著优势。四、研究了大规模异质交互图表示学习的加速策略,提出了类型依赖和类型融合的异质重要性采样框架,加速模型学习,在保证模型性能的同时,显著降低存储和计算代价。针对传统的节点层级和图层级采样策略分别存在计算代价大和内存占用多的问题,设计了分块层级的异质重要性采样策略,包括类型依赖和类型融合的采样器以及自归一化和自适应的估计器,通过度量结构特征和语义信息的重要性进行采样加速。在五个公开数据集上的性能和效率实验表明,基于异质重要性采样策略的模型,其内存占用最高降低了 92.48%,时间成本最高降低了 85.95%,边计算最高减少了 93.36%。