多关系网络结构是一种中包含了事物与事物之间的多种不同的关联信息的数据结构。在该种结构中的节点和边通常分别表示事物以及多种关系。与单一类型关系网络结构相比较而言,多关系网络结构可以表达更加复杂的事物之间的关系,因此其具有更加广泛的应用范围,像生物学、语言学以及社会科学等等。然而现有的图嵌入方法大多是针对节点之间只有一种单一类型关系的问题而设计的,而非多关系网络结构。然而在现实生活中,更多的数据是有着多种不同的关系的。不过随着关系数据的复杂程度的加深,目前研究人员们也开始意识到多关系网络结构嵌入的重要性。本文对主要针对两种特定的多关系网络结构进行研究。在单图多关系网络结构中,图上包含不止一种类型的节点,由于节点类型的不同,导致了连接节点的边的类型也就因此而不同。而在多视图网络结构中,图上边的类型不是由边所连接的两个节点类型所决定的,而是由原始数据决定的,并且节点之间可能存在着不止一种的关系。针对上述问题,本文将传统单关系网络中的图嵌入算法进行了优化以适应多关系网络结构,从而能够更好的利用图中的关系类型信息。对于单图多关系网络结构,我们在预测致病基因这一实例任务上来提出我们的模型。我们首先利用已知的实体之间的相关性来建立一个单图多关系生物信息网络,这些实体可能来自不同的数据集。然后提出一种新的网络嵌入表示算法来计算疾病与基因之间的相关性,使用相关分数来预测致病基因。然后,我们进行了几个实验,将我们的方法与其他最先进的方法进行比较。结果表明,我们的方法比传统方法获得了更好的性能。而针对多视图网络结构,我们提出了一种多视图上的图自编码器方法。这种方法可以在保留每个视图的信息的情况下,将多个视图的信息融合到一个统一的嵌入空间中。我们在三个不同的多视图网络数据集上进行了链路预测的实验。结果证明,我们提出的方法比目前为其他无论是单视图网络还是多视图网络上的图嵌入方法都要表现的更好。