当今时代,网络已经成为现实世界中应用最广泛的建模工具,如社交网络、交通路网、互联网、物联网、基因网络等都可以建模成网络(图)结构。网络表示学习,又称为网络嵌入,旨在将网络中的组件(节点、边、子图等)转化为低维的表征向量,同时最大程度地保留原始网络的结构和特征。由于低维的表征向量能够很容易被机器学习算法处理,网络表示学习受到工业界与学术界的广泛关注,并成功应用于节点分类、链接预测、网络重建与推荐系统等。国内外研究人员在网络表示学习方面做了大量工作,极大地推动了该领域的发展。然而,已有工作在保持网络的全局结构特征、多类别属性信息以及潜在关系等方面仍存在不足。本文将针对以上问题,对复杂网络表示学习的关键技术进行研究。本文的主要研究内容与贡献体现在以下三个方面:(1)现有的网络表示学习工作主要侧重于保持网络中节点的微观结构,忽略了节点在网络中的全局角色信息,从而导致模型在中观和宏观任务中存在局限性。为解决这一问题,本文提出了一种同时考虑节点的局部结构与全局角色的网络表示学习模型Rank2vec,该模型学到的表征向量能够同时保存网络的微观结构和宏观信息。为了对所提出的模型进行评估,我们在多个真实数据集上进行了多标签分类实验,并与代表性的工作进行对比。实验结果表明,Rank2vec方法具有更好的性能。(2)除拓扑结构信息之外,现实世界网络中还蕴含着丰富的属性信息。当前,属性网络表示学习方面的研究工作无法将多种类型的属性信息及其之间的语义关系有效地融合。为解决上述问题,本文提出了一种基于深度学习的属性网络表示学习模型DeepEmLAN。在保存拓扑结构信息的同时,我们提出一种深度注意力模型将不同类型的属性信息平滑地映射到同一语义空间中。此外,我们设计了一种启发式的组合策略来生成节点最终的表示,该方法使得那些共享许多相同邻居和属性信息的节点在表示空间中相近。为了评价所提出的DeepEmLAN模型的潜能,我们在节点分类和网络重建等任务中对模型的性能进行测试。在多个真实数据集上的实验结果表明,DeepEmLAN模型的性能明显优于代表性的算法。(3)如何将深度学习拓展到图数据上得到了研究人员的广泛关注,然而已有的工作并没有充分发掘节点间的潜在关系与结构特征,导致网络表示学习模型的鲁棒性不好。为解决以上问题,本文提出了一种潜在关系感知与闭环结构驱动的鲁棒图卷积神经网络模型RoGCN。该模型利用节点的属性信息进行潜在关系的挖掘,并引入图卷积神经网络进行归纳式表示学习。此外,我们设计了基于三角结构的节点筛选和汇聚方法,该方法能够利用节点的局部结构汇聚更多具有相同类别的邻居信息,促进模型学得更具区别力的表征向量。在节点分类任务上的实验结果表明,所提出的RoGCN模型的性能明显优于代表性的图卷积算法。