图是对现实世界问题进行建模的一种强大工具,揭示图的潜在结构特征,具有巨大现实意义。然而与图像、视频、音频等结构化数据相比,图数据的高维、非结构化等特征导致难以对其有效分析。图表示学习旨在将高维非结构化图数据映射到一个低维稠密的向量空间并保留图结构特征。低维向量表示作为基座支撑各种类型的AI模型,用以完成链接预测、节点分类和可视化等下游任务。本研究针对以下问题展开:（1）大多数基于生成对抗网络的研究将学习策略应用在向量表示而不是深度嵌入机制中,未充分发挥生成对抗网络的本质优势;（2）关于顶点之间的邻近度划分不够细致,进而影响向量表示在下游任务中的性能;（3）探索更加灵活有效的捕获图高阶结构的方式。论文的主要工作包括:第一,基于生成对抗网络的深度神经网络图表示学习模型（Dnn GAN）。与生成对抗模型大多将对抗策略直接应用于顶点表示的更新不同,本文将深度自编码器的重构机制作为对抗学习结构的一部分,使对抗学习策略作用于图表示的嵌入机制。Dnn GAN由生成器和鉴别器组成,其中鉴别器为深度自动编码器,可以捕获图的高阶非线性结构,生成器作为竞争对手被引入到对抗学习系统;从而形成对抗的嵌入学习机制。系列实验结果证明了该模型的有效性。第二,Motif感知的对抗图表示学习模型（Motif GAN）。Motif作为图的基本组成结构,对于揭示复杂的图结构特征具有至关重要的作用,本文利用Motif挖掘丰富的高阶结构信息,并与原始低阶结构相结合,以此为目标结构条件,构造生成对抗模型生成相应的嵌入表示。在公共数据集上的实验结果表明,Motif GAN在各种应用（链接预测,节点分类和可视化）中取得了实质性进展。