随着信息时代下大数据的快速发展,实际生活中的数据规模呈现指数级别的增长并对人类的生产和生活产生了根本性的变革影响。数据进一步紧密相互关联并以多种的网络结构形式广泛存在于人们的实际应用中,因此如何从结构化关联图结构数据中挖掘潜在的复杂关联规则并建模演化预测模型对国家与社会的发展有着重要的意义。随着网络规模维度的不断增长,传统网络分析模型受限于庞大的模型存储和计算开销的限制而无法得到灵活运用。不同于传统方法,网络表示学习目标将网络中的节点映射到低维的向量空间中来进行有效地网络分析任务,并在不同应用上验证了其性能的有效性和模型的高效性从而受到研究者们广泛的关注。其中属性网络则是在不同应用中广泛存在的一种通用图数据形式,本论文则分别针对属性网络表征面临的节点属性稀疏性及表征融合耦合性、节点语义多面性及向量表征单一性和节点向量空间表征的局限性等研究挑战,重点对面向稀疏属性网络的网络表征学习、多面性条件属性网络表征和双曲属性网络的向量表征三个方向展开研究工作。具体地,本论文的主要研究内容和贡献总结如下:首先,针对节点属性稀疏性和表征融合耦合性的挑战,提出面向属性网络中属性稀疏和解耦融合的表示学习方法。基于具有相似网络结构和属性信息的节点具有相似向量表征基本假设,本文首先提出了基于截断式随机游走的稀疏属性网络表征模型来融合节点的网络结构和属性来得到综合的向量表征,通过将节点和属性投影到低维的向量表征空间中并引入结对式方法来捕捉节点和稀疏属性之间的交互关系,同时汇聚相邻节点的属性信息来进一步缓解稀疏性从而来得到一个更好的节点向量表示。随后,引入注意力机制来衡量相邻节点和中心节点的权重关系并通过最大化周围节点预测中心节点概率来维持网络结构信息。另一方面,为了分别建模属性网络中结构等价性和同质性相似性的不同,本文提出了解耦式属性网络向量表征,设计了两个图卷积核模块来分别捕捉网络结构和节点属性相似性,并提出自适应融合函数根据节点自身特性得到融合后的向量表征,利用改进后的小批量样本训练方法迭代汇聚高阶的节点和属性信息来高效生成节点向量表征。最终在多个数据集上对比最新的研究工作,本文提出的模型在多标签节点分类和链接预测任务上实现了显著的性能提升,在不同节点属性稀疏的比例下具有良好的鲁棒性。其次,针对节点语义多面性及向量表征单一性的挑战,提出多面性条件属性网络向量表征方法。传统的网络网络表示学习方法为节点只学习到单一的向量表示从而难以表征节点间的多面性语义相似性。本文提出了一个端到端的图卷积框架来为节点学习多个条件向量表征,从而来捕捉节点在多个语义上的不同相似关系。首先设计了一个二值掩码层将单个节点的向量表征拆分成多个语义对应的条件向量子空间,引入了注意力网络来建模节点之间多语义的复杂交互关系,同时提出了多面性的消息-传递-接收机制来捕捉高阶节点之间的多面性语义信息,并基于贝叶斯个性化排序准则和多任务学习框架来联合学习多个节点条件向量表征。最终本文提出的模型在节点推荐任务上实现了显著的性能提升,并通过节点表征可视化和模型迁移实验证明了具有良好的解释性和鲁棒性。最后,针对节点向量表征空间的局限性的挑战,提出多面性双曲属性网络的向量表征方法。基于非欧式的图结构数据中存在的潜在层次结构属性,本文提出了基于双曲空间的多面性图卷积神经网络框架来分别捕捉多面性节点影响力和偏好相似性。具体地,本文首先依据节点的属性将其表征到双曲向量空间中来维持数据中潜在的层次结构关系,通过双曲空间的向量操作定义推导出多面性的消息传递接收机制来捕捉节点之间的多面影响力,然后基于双曲距离提出了自适应的双曲度量准则来计算节点之间的相似关系。在多个公开数据集上的实验结果表明,本文提出的模型不仅能够学习节点之间网络属性并同时维持了数据内的层次关系,并证明了双曲节点向量表征的有效性和鲁棒性。