1.3 本书的内容组织
第1章介绍了异构信息网络挖掘问题。然后，本书分为三个部分，每个部分包含两章内容，它们讲述了异构信息网络挖掘的原理和方法，并且按照不同的挖掘任务来组织。最后，第8章概述了这一研究领域的一些开放研究题目。第2~7章的主要内容总结如下。
第一部分：基于排名的聚类和分类。通过区别不同链接类型间的信息传播，我们介绍了若干基本挖掘任务的研究，例如在异构信息网络中的聚类与分类。
第2章：基于排名的聚类。对于异构信息网络中基于链接的聚类，我们需要探索异构数据类型间的链接。最近的研究开发的基于排名的聚类方法（如RankClus［66］和NetClus［69］）能高效地生成聚类和排名结果。这种方法基于如下观察：排名和聚类可以相互提高，因为在每个聚类中排名高的对象更有助于明晰化聚类，并且明显属于某个聚类的对象更容易在该类中获得高的排名。
第3章：异构信息网络的分类。分类也可以利用异构信息网络中的链接。知识可以在异构网络中有效传播，这是因为由相同类型的链接相似连接着的相同类型节点很可能是相似的。此外，根据基于排名的聚类的思想，可以探索基于排名的分类，因为在一个类中排名高的对象可能对分类有非常重要的作用。基于这些思想，研究者设计了有效的分类算法，例如GNetMine［31］和RankClass［30］。
第二部分：基于元路径的相似性搜索和挖掘。我们介绍了一个基于元路径的系统化方法来处理一般性的带有特定网络模式的异构信息网络。在这个框架下，相似性搜索和其他挖掘任务（如关系预测）都能通过对网络的元结构进行系统化探索得到解决。
第4章：基于元路径的相似性搜索。相似性搜索在网络分析中有着重要作用。通过考虑网络中的各种链接路径（即元路径），可以获得异构信息网络中关于相似性的各种语义。文献［65］介绍了一种基于元路径的相似性评价方法，称为PathSim，它用于发现网络中的对等对象。与基于随机游走的相似性评价方法相比，PathSim已被证明在许多应用场景中更有意义。
第5章：基于元路径的关系预测。异构信息网络带来了多种对象类型之间的交互，使得预测异构类型对象间的关系成为可能。通过系统化地设计网络中基于元路径的拓扑特征和评价方法，监督模型可以用来在关系预测中学习适当的权重以及相关的各种拓扑特征［62；63］。
第三部分：关系强度感知挖掘，对象类型间关系的异质性往往导致挖掘结果的不一致，我们通过用户选择来解决该问题。通过用户引导，每个关系的强度都可以自动地学习，从而实现更好的挖掘。
第6章：不完全属性的关系强度感知聚类。通过指定一组属性，异构信息网络中不同关系的强度可以自动地学习以帮助网络聚类［61］。
第7章：通过元路径选择的用户引导聚类。异构信息网络中，不同的元路径代表不同的关系，携带不同的语义。用户引导，比如提供某一对象类型的少量训练样例，可以表明用户对此聚类结果有偏好。这样，能够学习到一个有偏好的元路径或者带权元路径的组合，使得挖掘结果与训练样例更加一致［67］。