随着信息技术的发展,每天都有海量数据产生。其中,大量数据呈现网络结构,例如:社交网络,论文引用网络等。分析网络数据可以获取社会结构信息、理解信息传播模式,有效提升链接预测、社团划分、异常点检测等任务的性能。然而,数据时代的大规模稀疏信息网络提高了社会网络分析任务的难度。近年来,研究者们提出网络表示学习,实现将网络顶点嵌入到低维向量空间中以保存丰富网络信息。学出的低维、稠密节点特征向量可以很好应用于网络分析基础任务中。考虑到真实网络的稀疏性,网络中可观察的链路很少而网络中节点往往具有丰富的属性信息。近年,一些研究者提出基于矩阵浅层模型的属性网络特征学习来缓解网络数据稀疏问题。然而,先前的浅层模型无法捕获嵌入在属性网络中的深度非线性信息,从而导致次优的嵌入结果。考虑到网络数据的稀疏性、网络结构的复杂性,本文提出了一个名为DANE的深度属性网络嵌入框架来捕获复杂的结构和属性信息。具体来说,算法首先采用个性化随机游走的模型,获取网络结构和节点属性的多阶接近度信息。随后,通过融合不同阶的接近度信息来构建属性网络的全局矩阵表示。算法最后设计一个深度神经网络以实现全局矩阵中复杂信息的非线性嵌入。本文所提出的框架可以同时保留不同阶的网络结构和节点属性,以此学出丰富的特征信息。在真实数据集上进行的多个网络分析任务证明了本文提出框架学出的节点特征向量的有效性。鉴于网络表示学习的优越表现,为了使网络特征嵌入更好的与网络基础任务融合起来,文章后续提出一个基于网络表示学习的链接预测算法ANE-LP。模型ANE-LP利用两个深度自动编码器分别从网络拓扑结构信息、节点属性信息中提取节点特征。随后通过特定聚合函数将所学习的两种类型的节点特征融合在一起,以进行进一步的链接预测。最后,本文在两个真实数据集上证明了ANE-LP模型在链路预测任务上的优越性。