网络嵌入是目前学术界和工业界都广泛使用和有效的一种研究网络图的方法。它通过机器学习等方法将网络中的节点用向量的形式来表示,研究者便可以将这些向量作为网络的特征来输入进后续相关的网络任务中。现在大多数对网络嵌入的研究侧重于静态网络,而很少有研究者关注时序网络的嵌入,然而,时序信息作为现实网络中一个十分重要的维度,给网络的连通性、信息的传播等都带来了深刻变化。现有对时序网络的嵌入研究主要是从宏观和微观的角度,而从中观的角度进行时序网络的嵌入却未被考虑。三角形作为网络中常见的中观结构,可以被用于研究时序网络的动态性。研究通过对社交网络的数据挖掘,进一步发现了有权有向图中三角形闭合过程的规律和特征,例如:三角形中积极边的数目越多三角形的闭合概率越高;三角形中存在传递路径时更容易形成同方向的闭环三角形等等。基于三角形结构的闭合过程,提出了一种新型的时序网络嵌入模型。模型使用霍克斯过程来对网络中三角形的闭合过程进行建模;同时,加入了注意力机制来区分不同类型三角形的重要性。通过对模型的训练,网络中的节点被映射到低维的向量空间中,并使学习得到的向量表示能够同时保留网络的静态和动态特征。为了证明模型的有效性,对各种现实生活中的时序网络进行了实验,实验表明,该模型既捕获了网络的静态属性,例如模型在节点分类和链接预测任务中的表现要优于现有的几种先进的网络嵌入模型;同时模型也考虑到了网络的动态特征,体现在该模型在时序边推荐任务中展现了较好的性能。因此,模型可以被较好地应用于网络安全中女巫节点的鉴别以及垃圾邮件的防御等。