在生物医学信息网络上发现未知的相互作用（链接）有着广泛且重要的应用价值,如药物-靶标相互作用预测、药物-疾病关系探测和致病基因预测等。近些年发展起来的网络表示学习技术已被证明在复杂网络分析任务（如节点分类、链接预测和聚类）中展示出令人鼓舞的效果。然而,迄今为止,大多数表示学习算法的预测性能仅是在非生物医学网络（如社交网络）进行了评估,而在复杂生物医学网络中尚未有过系统的实验和分析。同时,现有（异构）网络表示学习技术在处理复杂异构网络数据时,还面临着如何平衡异质信息,多重边关系难以定义等问题。基于此,本文着重研究了如何利用高效的网络表示学习方法在生物医学网络上进行链接预测,主要有以下两个创新性工作:（1）本文设计了两种基于网络表示学习的链接预测方法,分别是基于相似度计算的非端到端学习方法和基于自编码器的端到端学习方法,以系统的评估网络表示学习算法应用于生物医学网络链接预测任务的有效性和潜力。同时,本研究通过实验得出结论,与现有技术相比,新兴的网络嵌入算法往往能取得具有竞争力的甚至更好的预测性能。并且,本文还深入讨论了基于大量实验的观察结果,为相关从业人员提供如何选择表示学习算法的建议。（2）针对现有（异构）网络表示学习算法的不足,本文具体以药物-靶标异构信息网络为研究目标,创新性的提出一种基于异构网络表示学习的药物-靶标相互作用（DTI）预测算法Hine DTI。作为首个将异构网络表示学习技术引入到DTI预测领域的算法模型,Hine DTI克服了药物-靶标网络中高维度、稀疏性和异构性等问题,学习到一个紧凑但饱含信息量的低维嵌入向量表示,以准确解释异构网络中各个节点的拓扑属性（如多层相互作用关系,上下文语义信息等）。在几种真实未知DTIs预测场景下的实验结果表明,Hine DTI的预测性能在准确性和鲁棒性方面均明显优于最新的DTI预测计算方法以及现有的网络表示学习算法。例如,与当前state-of-the-art DTI预测计算方法（Neo DTI）相比,Hine DTI在AUPR评价指标上实现了11.1%的性能提升。此外,本文还发现通过Hine DTI模型预测的潜在的DTIs有相关文献证据的支持,进一步证明了其卓越的预测能力。总而言之,本文通过大量实验论证,Hine DTI可以提供一种稳健而准确的工具来预测潜在的DTIs,从而促进药物开发和药物重定位。