Nos dias atuais, há uma grande quantidade de dados sendo produzida e disponibilizada diariamente. Como consequência, a organização e extração de informações úteis de forma manual a partir destes dados exige um grande esforço de especialistas. Deste modo, métodos computacionais de aprendizado de máquina e mineração de dados têm ganhado destaque, pois possibilitam a extração automática de conhecimento de grandes volumes de dados para resolver tarefas complexas em diversos contextos e aplicações. Em paralelo, Redes Complexas tornou-se uma importante área de pesquisa, principalmente, em razão da sua eficiência em modelar inúmeros sistemas da natureza e da sociedade. As redes k-partidas são casos particulares das redes heterogêneas, pois representam vértices de diferentes tipos que podem ser divididos em k conjuntos disjuntos. Esse tipo de rede é relevante para estudar diversos sistemas do mundo real, visto que modela os padrões intrínsecos das conexões entre diferentes tipos de objetos, o que não é naturalmente possível obter com as redes homogêneas. Os métodos de aprendizado de representação baseados em redes buscam aprender representações numéricas compactas que conservem as características intrínsecas e capturem informações latentes dos relacionamentos entre os vértices das redes. Técnicas do aprendizado de máquina mostram que diferentes visões de dados tendem a contribuir entre si, favorecendo o aprendizado. Pode-se, portanto, assumir uma rede k-partida como um conjunto de diferentes visões bipartidas, relacionadas entre si, que possibilitam a troca de informações. Assim, esta tese propõe abordagens baseadas na transferência de informações entre diferentes camadas de redes k-partidas, utilizando como base um método de propagação em redes bipartidas, para problemas de aprendizado não supervisionado de representação. A fim de demonstrar a importância da proposta, diferentes abordagens foram desenvolvidas para contextos reais que possuem dados que assumem uma estrutura k-partida, como recomendação em sistemas colaborativos de marcação e predição de associação entre lncRNAs e doenças. As análises experimentais mostram resultados promissores nas aplicações abordadas e fornecem indícios para a elaboração de trabalhos futuros. Sendo assim, os achados do trabalho poderão apoiar o desenvolvimento de novos métodos de aprendizado em redes k-partidas e novas abordagens para diversos tipos de dados e aplicações.

Nowadays, there is a large amount of data being produced and made available daily. As a consequence, the organization and extraction of useful information manually from this data requires a great effort from specialists. Thus, computational methods of machine learning and data mining have gained prominence, as they enable the automatic extraction of knowledge from large volumes of data to solve complex tasks in different contexts and applications. In parallel, Complex Networks has become an important area of research, mainly due to its efficiency in modeling numerous systems of nature and society. K-partite networks are particular cases of heterogeneous networks, characterized by vertices of different types that can be separated into k disjoint sets. This type of network is relevant for studying different systems in the real world, since it models the intrinsic patterns of connections between different types of objects, which is not naturally possible to obtain through the homogeneous networks. Network-based representation learning methods seek to learn compact numerical representations that preserve the intrinsic characteristics and capture latent information on the relationships between the vertices of the networks. Machine learning techniques show that different views of data tend to contribute to each other, favoring learning. Therefore, we can assume a k-partite network as a set of different bipartite views, related to each other, that enable the exchange of information. Thus, this thesis proposes approaches based on the transfer of information between different layers of k-partite networks, using as a basis a propagation method in bipartite networks, for unsupervised representation learning problems. In order to demonstrate the importance of the proposal, different approaches were developed for real contexts that have data that assume a k-partite structure, as a recommendation in collaborative tagging systems and prediction of associations between lncRNAs and diseases. The experimental analyzes show promising results in the applications addressed and provide clues for the elaboration of future works. Thus, the findings of the thesis may support the development of new learning methods in k-partite networks and new approaches for different types of data and applications.