异构信息网络中的相似性搜索在推荐和异常检测等数据挖掘领域有着广泛的应用,主要任务是为网络中的实体寻找最为相似的实体。基于元路径(Meta Path)的相似性度量已经得到广泛研究,近年来提出的元图(Meta Graph)与元路径相比表征语义的能力更加强大,但计算成本更高。基于以上矛盾,本文展开对基于元图的相似性度量相关算法的研究与应用。本文的主要研究工作如下:(1)针对异构信息网络中相似性搜索的问题,提出一种基于元图的归一化的相似性度量(normalized similarity measure of meta graph,NSMG)。利用元路径计算成本较低的优点,将基于元路径的相似性度量PathSim拓展到元图上,消除了对高可见实体的偏向。同时算法考虑到了元路径组合带来的信息损失,采取点积的方式保留了元图的语义。与目前流行的PathSim等相似性度量的对比,证明了 NSMG算法兼顾了元图的丰富语义以及低计算复杂度。(2)在真实的点评网站Yelp以及电商网站Amazon的场景下,提出一套推荐算法框架NSMG-Rec。NSMG-Rec框架利用NSMG算法得到“用户-商家/商品”的相似得分矩阵,并利用矩阵分解和因子分解机的组合预测用户对商家/商品的评分。实验不仅与常用推荐算法进行了对比,同时也对不同元图的作用效果做了分析。(3)在真实的微博场景中,提出一套异常检测算法框架NSMG-Anom。NSMG-Anom框架利用NSMG算法将元图相似性信息结合到异常检测框架中,有效提升了异常检测的性能。实验证明在定义的微博盗号等事件检测中,NSMG-Anom算法与常用异常检测算法相比能取得较优的效果。