本书对异质信息网络分析的最新发展以及该领域的一些新颖的数据挖掘任务进行了全面的综述，从逻辑上分为两个部分：第一部分（第1、2、9章）深入全面地总结了该领域的最新进展，其中第9章根据最新发展和趋势指出了未来的研究方向；第二部分（第3～8章）通过几类数据挖掘任务说明了异质信息网络分析的特征。
本书读者对象为数据挖掘领域（尤其是社交网络分析领域）的工程师和研究人员，也适合计算机科学及相关专业的高年级本科生或研究生阅读。

石川，北京邮电大学计算机学院教授、博士研究生导师、智能通信软件与多媒体北京市重点实验室副主任。主要研究方向为数据挖掘、机器学习、人工智能和大数据分析。在数据挖掘领域的一流期刊和会议（如IEEE TKDE、KDD、WWW、AAAI、IJCAI）发表论文60余篇，出版中英文专著3部。研究成果获得省部级奖励4项，并应用于顶尖IT企业。曾获北京市高等学校青年英才和师德先锋等称号。

前言
第1章 引言
1.1 基本概念和定义
1.2 与相关概念的比较
1.3 异质信息网络示例数据集
1.4 为什么要进行异质信息网络分析
参考文献
第2章 研究进展综述
2.1 相似性搜索
2.2 聚类
2.3 分类
2.4 排名
2.5 链接预测
2.6 推荐
2.7 信息融合
2.8 其他应用
参考文献
第3章 异质对象的相关性度量
3.1 HeteSim：一种统一且对称的相关性度量方法
3.1.1 概述
3.1.2 HeteSim度量
3.1.3 实验
3.1.4 快速计算策略及实验
3.2 HeteSim的扩展
3.2.1 概述
3.2.2 AvgSim：一种新的度量方法
3.2.3 AvgSim的并行化
3.2.4 实验
3.3 结论
参考文献
第4章 基于路径的排名和聚类
4.1 基于元路径的排名
4.1.1 概述
4.1.2 HRank方法
4.1.3 实验
4.2 基于排名的聚类
4.2.1 概述
4.2.2 问题定义
4.2.3 HeProjI算法
4.2.4 实验
4.3 结论
参考文献
第5章 基于异质信息网络的推荐
5.1 基于语义路径的推荐
5.1.1 概述
5.1.2 基于异质网络的推荐框架
5.1.3 SemRec算法
5.1.4 实验
5.2 基于矩阵分解的推荐
5.2.1 概述
5.2.2 SimMF算法
5.2.3 实验
5.3 利用异质信息的社交推荐
5.3.1 概述
5.3.2 DSR算法
5.3.3 实验
5.4 结论
参考文献
第6章 异质社交网络上的融合学习
6.1 网络对齐
6.1.1 概述
6.1.2 术语定义与社交元路径
6.1.3 跨网络对齐
6.1.4 实验
6.2 跨对齐网络的链接传输
6.2.1 概述
6.2.2 跨网络链接预测
6.2.3 实验
6.3 协同网络社区检测
6.3.1 概述
6.3.2 跨网络社区检测
6.3.3 实验
6.4 结论
参考文献
第7章 模式丰富的异质网络挖掘
7.1 模式丰富的异质网络中的链接预测
7.1.1 概述
7.1.2 LiPaP算法
7.1.3 实验
7.2 知识图谱中基于元路径的实体集扩展
7.2.1 概述
7.2.2 MP_ESE算法
7.2.3 实验
7.3 结论
参考文献
第8章 基于异质网络的原型系统
8.1 语义推荐系统
8.1.1 概述
8.1.2 系统结构
8.1.3 系统实现
8.1.4 系统演示
8.2 可解释的推荐系统
8.2.1 概述
8.2.2 基于异质网络的推荐
8.2.3 系统框架
8.2.4 系统演示
8.3 其他基于异质网络的原型系统
8.4 结论
参考文献
第9章 未来的研究方向
9.1 更复杂的网络构建
9.2 更强大的挖掘方法
9.2.1 网络结构
9.2.2 语义挖掘
9.3 更庞大的网络数据
9.4 更多的应用领域
参考文献