تم استخدام تمثيل الشبكات (أو تمثيل الرسوم البيانية) على نطاق واسع في العديد من التطبيقات الحقيقية. ومع ذلك، تركز الأساليب الحالية بشكل أساسي على شبكات تحتوي على عقد (عقدة) وروابط من نوع واحد ولا تستطيع التعامل بكفاءة مع شبكات كبيرة الحجم. تتكون العديد من الشبكات الحقيقية من مليارات العقد والروابط متعددة الأنواع، وكل عقدة مرتبطة بصفات مختلفة. في هذا البحث، نقوم بتحديد مشكلة تعلم التمثيل للشبكة المركبة غير المتجانسة ذات الصفات (Attributed Multiplex Heterogeneous Network) ونقترح إطارًا موحدًا لمعالجة هذه المشكلة. يدعم الإطار كلًا من التعلم الاستدلالي والتعلم الاستقرائي. كما نقدم تحليلًا نظريًا للإطار المقترح، مما يظهر ارتباطه بالأعمال السابقة ويثبت قدرته على التعبير بشكل أفضل. أجرينا تقييمات منهجية للإطار المقترح باستخدام أربع مجموعات بيانات مختلفة ومعقدة: Amazon وYouTube وTwitter وAlibaba. أظهرت النتائج التجريبية أننا يمكن أن نحقق تحسينات إحصائية ذات دلالة (مثل زيادة بنسبة 5.99٪ إلى 28.23٪ في درجات F1؛ p<<0.01، اختبار t) مقارنة بالأساليب الأكثر تقدمًا سابقًا في مجال التنبؤ بالروابط. كما تم نشر الإطار بنجاح في نظام التوصيات الخاص بإحدى الشركات العالمية الرائدة في التجارة الإلكترونية، مجموعة Alibaba. أكدت نتائج الاختبارات A/B خارج الخدمة للمواد المعروضة للبيع أن الإطار فعال وكفء في التطبيق العملي.