网络结构在现实生活中大量存在,如社交网络,引用网络等。随着数字化的推进,有效利用网络结构信息成为数据挖掘中重要的一环。网络表示则是解决这一问题的有力工具,通过将网络中的节点学习为低维向量表示从而有益于下游任务,是目前数据挖掘中的研究热点。网络数据中最简单的为同质网络数据,也就是节点属于同一类别且只有简单结构信息,同时边只有一种类型的网络结构。然而,现实数据中的网络数据复杂多变,通常以复杂网络结构的形式存在,比如节点属于多个含有多种类型的信息,节点之间的边具有多种类型等。知识图谱和属性网络都属于复杂网络结构,其中知识图谱网络表示的建模通常由对事实三元组的链路预测任务间接产生,它含有多种类型的边并且节点的类型多种多样;而属性网络表示的建模需要在同质网络的基础上融合属性信息,也就是节点同时具有结构信息和属性信息两种异质信息。本文分别研究了复杂网络结构——知识图谱网络和属性网络的表示学习,探究了当前工作存在的问题,基于深度信息交互的基本思想为以上网络的建模提出了新的解决方法,主要工作如下:·探究了知识图谱嵌入中存在的先验知识利用不充分问题并提出解决方案;知识图谱由三元组组成,其中的关系对于实体的预测和表示有着指导性的作用,而以往的工作都没有显示地建模这一点。我们提出一种基于关系约束门的方法,模型约束正确的实体尽量接近学习到的泛化表示同时约束错误实体远离该表示。该方法显式地利用了关系的约束能力,扩展到多个模型上并在多个数据集的链路预测任务上取得了提升。·探究了知识图谱嵌入中的噪音过滤问题并提出解决方案;知识图谱的链路预测过程本身是个推理过程,我们通过模拟人类的预测推理过程提出了一种基于多步迭代门机制的知识图谱表示学习算法。该方法利用门机制控制关系和实体的交互,过滤无用或噪音信息,并通过多步迭代的机制加强过滤效果,得到较好的预测结果。该方法在多个数据集上都取得了链路预测的最优效果,通过消融实验验证了模型中各个模块的有效性。·探究了属性网络中的异常点问题并提出解决方案;属性网络中存在大量异常点,一个节点可能与和它结构相近的邻居节点或属性相似的邻居节点并不属于同一类别,然而目前很多模型都是基于这样的相似性假设;此外,结构和属性信息存在分布不一致现象,也就是二者对节点的描述不统一,亟待深度挖掘互补信息弥补原信息不足。本文提出了一种基于邻居增强的深度属性网络表示学习模型,模型通过截断邻域采样和相似度限制高效地挖掘有效邻居信息,提出了反向注意力机制多元化地融合邻居信息,通过深度自编码器建模并输出高质量表示。模型在多个数据集上的节点分类,节点聚类和可视化任务上都有优秀的表现。模块分析和参数敏感分析进一步验证了模型的有效性。