属性网络广泛分布于真实世界中,包括引用网络、社交网络和交通网络等。属性网络中蕴藏着丰富的信息,包括节点之间的复杂关系、节点携带的属性和属性网络全局的性质。由于属性网络的复杂性和多样性,直接分析属性网络不仅需要丰富的专家知识,也需要大量的尝试。属性网络表征旨在将属性网络中的节点映射到低维表征,同时保留节点自身丰富的语义信息以及节点之间的近似性。由于真实世界中的属性网络通常包含很多节点,人工标注这些节点代价很大。因此,如何在不依赖人工标注信息的情况下学习节点表征,是近年来的热门研究方向。本文聚焦于基于自监督的属性网络表征学习研究,旨在从数据本身中自动提取监督信号,训练模型得到高质量的节点表征。属性网络中的节点具有两种不同的信息,分别是拓扑信息和属性信息,其中拓扑信息可以分为低阶结构信息和高阶结构信息。现有方法能很好捕捉低阶结构信息,但不能很好建模节点的高阶结构信息。同时现有方法融合节点拓扑信息和属性信息的策略比较简单,不能很好捕捉这两者之间的关联。本文提出的方法,分别是基于性质预测和基于对比的自监督属性网络表征方法,其研究内容与主要贡献如下:第一,针对现有方法不能很好建模节点高阶结构信息的问题,本文提出了一种基于性质预测的自监督属性网络表征方法。该方法提取节点的正点互信息矩阵作为高阶结构信息,并利用邻接矩阵和节点属性预测节点的高阶结构信息,从而融合节点的属性信息和各种结构近似性,能学得高质量的节点表征。另外,本文使用主成分分析法对正点互信息矩阵降维,大大降低了模型的空间复杂度。第二,针对现有方法不能很好融合节点拓扑信息和属性信息的问题,本文提出了一种基于对比的自监督属性网络表征方法。该算法最大化节点拓扑表示和属性表示之间的互信息,从而建模节点拓扑信息和属性信息之间的关联性,并且融合两者的互补信息。该方法不依赖于增广操作和图卷积网络。另外,本文提出的融合策略能灵活选择不同的拓扑信息作为模型输入。该算法在节点分类和链路预测任务上取得了优秀的表现,证明了本方法融合策略的有效性。